論文の概要: FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations
- arxiv url: http://arxiv.org/abs/2507.23154v1
- Date: Wed, 30 Jul 2025 23:04:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.905799
- Title: FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations
- Title(参考訳): 時空間衛星観測による1日10m地表面温度推定モデルFuseTen
- Authors: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai,
- Abstract要約: 都市熱波、干ばつ、陸熱波は、気候変動の文脈において、ますます困難を増している。
これらの現象を評価し理解するための最も重要な変数の1つはランドサーフェス温度(LST)である。
本研究では,ランドサット8号とテラMODIS号の時空間観測により,毎日10mの空間分解能でLST観測を行うFuseTenを提案する。
- 参考スコア(独自算出の注目度): 3.344876133162209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban heatwaves, droughts, and land degradation are pressing and growing challenges in the context of climate change. A valuable approach to studying them requires accurate spatio-temporal information on land surface conditions. One of the most important variables for assessing and understanding these phenomena is Land Surface Temperature (LST), which is derived from satellites and provides essential information about the thermal state of the Earth's surface. However, satellite platforms inherently face a trade-off between spatial and temporal resolutions. To bridge this gap, we propose FuseTen, a novel generative framework that produces daily LST observations at a fine 10 m spatial resolution by fusing spatio-temporal observations derived from Sentinel-2, Landsat 8, and Terra MODIS. FuseTen employs a generative architecture trained using an averaging-based supervision strategy grounded in physical principles. It incorporates attention and normalization modules within the fusion process and uses a PatchGAN discriminator to enforce realism. Experiments across multiple dates show that FuseTen outperforms linear baselines, with an average 32.06% improvement in quantitative metrics and 31.42% in visual fidelity. To the best of our knowledge, this is the first non-linear method to generate daily LST estimates at such fine spatial resolution.
- Abstract(参考訳): 都市の熱波、干ばつ、土地の劣化は、気候変動の文脈で困難を増している。
それらを研究するための貴重なアプローチは、陸面条件に関する正確な時空間情報を必要とする。
これらの現象を評価し理解するための最も重要な変数の1つはランドサーフェス温度(LST)であり、これは衛星から派生し、地球表面の熱状態に関する重要な情報を提供する。
しかし、衛星プラットフォームは本質的に、空間分解能と時間分解能のトレードオフに直面している。
このギャップを埋めるために我々は,Sentinel-2,Landsat 8,Terra MODISから得られた時空間観測を融合させることにより,毎日10mの空間分解能でLST観測を行う新しい生成フレームワークであるFuseTenを提案する。
FuseTenは、物理原理に基づく平均的な監視戦略を使用してトレーニングされた生成アーキテクチャを採用している。
核融合プロセスに注意と正規化モジュールを組み込み、現実主義を強制するためにPatchGAN識別器を使用する。
複数の日付での実験では、FuseTenは平均32.06%の定量値の改善と31.42%の視覚的忠実度で線形ベースラインを上回っている。
我々の知る限りでは、このような細かな空間分解能で1日当たりのLST推定を生成できる非線形手法としては、これが初めてである。
関連論文リスト
- ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳(メタデータ) (2025-06-12T06:27:22Z) - Satellite Observations Guided Diffusion Model for Accurate Meteorological States at Arbitrary Resolution [48.34051432429767]
衛星観測(GridSat)を条件として,ERA5再解析データに基づいて事前学習した条件拡散モデルを提案する。
トレーニングの過程で,GridSat衛星観測から得られた情報を注意機構を介してERA5マップに融合することを提案する。
サンプリングでは、最適化可能な畳み込みカーネルを用いて、スケールアッププロセスをシミュレートした。
論文 参考訳(メタデータ) (2025-02-09T02:05:33Z) - Deep Learning for Spatio-Temporal Fusion in Land Surface Temperature Estimation: A Comprehensive Survey, Experimental Analysis, and Future Trends [3.344876133162209]
地表面温度(LST)は重要な環境過程を理解する上で重要な役割を果たしている。
衛星センサーはしばしば空間分解能と時間分解能のトレードオフに直面している。
時空間融合(STF)は、2つの衛星データソースを統合する強力な方法として登場した。
論文 参考訳(メタデータ) (2024-12-21T13:53:15Z) - Urban Air Temperature Prediction using Conditional Diffusion Models [26.577558935382477]
世界的トレンドとしての都市化は、都市ヒートアイランド(UHI)効果など、多くの環境問題を引き起こしている。
表面上の2mの空気温度は、UHI効果の鍵となる指標である。
土地利用土地被覆(LULC)がT_a$にどのように影響するかは、近隣の規模で高解像度(HR)のT_a$データを必要とする重要な研究課題である。
地表面温度(LST)と他のLULC関連特性を用いて,100mの地表面分離距離(gsd)でHR$T_a$を予測する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-12-18T04:56:29Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - High-Cadence Thermospheric Density Estimation enabled by Machine
Learning on Solar Imagery [0.14061979259370275]
我々は、NASAのソーラー・ダイナミクス・オブザーバ(SDO)極紫外線(EUV)スペクトル画像をニューラル熱圏密度モデルに組み込む。
我々は、EUV画像により、時間分解能をはるかに高め、地上ベースのプロキシを置き換えることができることを示した。
論文 参考訳(メタデータ) (2023-11-12T23:39:21Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳(メタデータ) (2022-03-11T16:14:14Z) - Generating gapless land surface temperature with a high spatio-temporal
resolution by fusing multi-source satellite-observed and model-simulated data [7.166180462786921]
本研究では,60m空間分解能と半時間時間時間分解能で空隙のないLSTをマッピングするために,衛星観測とLSMシミュレーションによるLSTデータの統合温度融合フレームワークを提案する。
都市支配地域(中国の武漢市)と自然支配地域(中国の平河流域)で評価を行った。
論文 参考訳(メタデータ) (2021-11-29T02:28:47Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳(メタデータ) (2020-12-11T11:21:00Z)
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。