論文の概要: Leveraging Satellite Image Time Series for Accurate Extreme Event Detection

• arxiv url: http://arxiv.org/abs/2506.11544v1
• Date: Fri, 13 Jun 2025 07:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.700095
• Title: Leveraging Satellite Image Time Series for Accurate Extreme Event Detection
• Title（参考訳）: 高精度極端事象検出のための衛星画像時系列の活用
• Authors: Heng Fang, Hossein Azizpour,
• Abstract要約: 気候変動により、極端な気象現象が増加し、大きな環境被害と生命の喪失を引き起こしている。 SITS-Extremeは、衛星画像時系列を利用して複数の事前観測を組み込むことで、極端な事象を検出する新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 5.105561029577617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate change is leading to an increase in extreme weather events, causing significant environmental damage and loss of life. Early detection of such events is essential for improving disaster response. In this work, we propose SITS-Extreme, a novel framework that leverages satellite image time series to detect extreme events by incorporating multiple pre-disaster observations. This approach effectively filters out irrelevant changes while isolating disaster-relevant signals, enabling more accurate detection. Extensive experiments on both real-world and synthetic datasets validate the effectiveness of SITS-Extreme, demonstrating substantial improvements over widely used strong bi-temporal baselines. Additionally, we examine the impact of incorporating more timesteps, analyze the contribution of key components in our framework, and evaluate its performance across different disaster types, offering valuable insights into its scalability and applicability for large-scale disaster monitoring.
• Abstract（参考訳）: 気候変動により、極端な気象現象が増加し、大きな環境被害と生命の喪失を引き起こしている。 このような事象の早期発見は災害対応の改善に不可欠である。 本研究では、衛星画像時系列を利用して、複数の事前観測を組み込んで極端な事象を検出する新しいフレームワークであるSITS-Extremeを提案する。 このアプローチは、災害関連信号を分離しながら、無関係な変更を効果的にフィルタリングし、より正確な検出を可能にする。 SITS-Extremeの有効性を検証するために、実世界のデータセットと合成データセットの両方で大規模な実験を行った。 さらに、より多くのタイムステップを取り入れ、フレームワークの主要なコンポーネントの寄与を分析し、さまざまな災害タイプにわたるパフォーマンスを評価し、大規模災害監視のスケーラビリティと適用性に関する貴重な洞察を提供する。

関連論文リスト

• ARCANE -- Early Detection of Interplanetary Coronal Mass Ejections [0.0]
  ARCANEは、ストリーミング太陽風データにおけるICME早期検出のために明示的に設計された最初のフレームワークである。 検出パイプラインはF1スコアが0.53で、平均検出遅延が21.5%であることがわかった。
  論文  参考訳（メタデータ） (2025-05-14T13:17:45Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Satellite Image Time Series Semantic Change Detection: Novel Architecture and Analysis of Domain Shift [38.96950437566293]
  衛星画像時系列(SITS-SCD)を用いた意味変化検出の試み 本稿では,技術状況を改善し,パラメータの数に応じて拡張し,長期的時間的情報を活用する新しいアーキテクチャを提案する。 実用的なユースケースでは、モデルが空間的および時間的シフトに適応する必要があるが、これは依然として課題である。
  論文  参考訳（メタデータ） (2024-07-10T12:54:51Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  神経性SLAMは近年顕著な進歩を遂げている。 既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。 本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• Normalizing flow-based deep variational Bayesian network for seismic multi-hazards and impacts estimation from InSAR imagery [11.753558942419545]
  インターフェロメトリ合成開口レーダ(InSAR)のデータは、迅速なハザード推定のために高解像度のオンサイト情報を提供する上で重要である。 InSAR画像のノイズによる影響と,複数の未観測障害の近接した後部から発生する流れの正規化による新しい変分推論を導入する。
  論文  参考訳（メタデータ） (2023-10-20T20:32:43Z)
• Improving extreme weather events detection with light-weight neural networks [0.0]
  気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。 我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
  論文  参考訳（メタデータ） (2023-03-31T23:38:54Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。