論文の概要: WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion

• arxiv url: http://arxiv.org/abs/2508.06485v1
• Date: Fri, 08 Aug 2025 17:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.327505
• Title: WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion
• Title（参考訳）: WGAST:時空間核融合による1日10mの地表面温度推定のための弱教師付き生成ネットワーク
• Authors: Sofiane Bouaziz, Adel Hafiane, Raphael Canals, Rachid Nedjai,
• Abstract要約: 筆者らは,MODIS,Landsat 8,Sentinel-2のSSupervise-Temporal Fusionによる1日10mLST分解能の弱い遺伝的ネットワークWGASTを提案する。 特徴抽出、融合、LST再構成、ノイズ抑制の4段階からなる、条件付き生成対向アーキテクチャを採用する。 実験により、WGASTは定量評価と定性評価の両方において既存の手法よりも優れていることが示された。
• 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: Urbanization, climate change, and agricultural stress are increasing the demand for precise and timely environmental monitoring. Land Surface Temperature (LST) is a key variable in this context and is retrieved from remote sensing satellites. However, these systems face a trade-off between spatial and temporal resolution. While spatio-temporal fusion methods offer promising solutions, few have addressed the estimation of daily LST at 10 m resolution. In this study, we present WGAST, a Weakly-Supervised Generative Network for Daily 10 m LST Estimation via Spatio-Temporal Fusion of Terra MODIS, Landsat 8, and Sentinel-2. WGAST is the first end-to-end deep learning framework designed for this task. It adopts a conditional generative adversarial architecture, with a generator composed of four stages: feature extraction, fusion, LST reconstruction, and noise suppression. The first stage employs a set of encoders to extract multi-level latent representations from the inputs, which are then fused in the second stage using cosine similarity, normalization, and temporal attention mechanisms. The third stage decodes the fused features into high-resolution LST, followed by a Gaussian filter to suppress high-frequency noise. Training follows a weakly supervised strategy based on physical averaging principles and reinforced by a PatchGAN discriminator. Experiments demonstrate that WGAST outperforms existing methods in both quantitative and qualitative evaluations. Compared to the best-performing baseline, on average, WGAST reduces RMSE by 17.18% and improves SSIM by 11.00%. Furthermore, WGAST is robust to cloud-induced LST and effectively captures fine-scale thermal patterns, as validated against 33 ground-based sensors. The code is available at https://github.com/Sofianebouaziz1/WGAST.git.
• Abstract（参考訳）: 都市化、気候変動、農業のストレスは、正確でタイムリーな環境モニタリングの需要を増している。 ランドサーフェス温度(LST)は、この文脈における重要な変数であり、リモートセンシング衛星から取得される。 しかし、これらのシステムは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。 時空間融合法は有望な解を提供するが, 毎日のLSTを10m分解能で推定する手法は少ない。 本研究では,Terra MODIS,Landsat 8,Sentinel-2の時空間融合による1日10mLST推定のための弱スーパービジョン生成ネットワークWGASTを提案する。 WGASTは、このタスクのために設計された最初のエンドツーエンドのディープラーニングフレームワークである。 条件付き生成対向アーキテクチャを採用し、特徴抽出、融合、LST再構成、ノイズ抑制の4段階からなるジェネレータを備える。 第1段階はエンコーダを用いて入力から多レベル潜在表現を抽出し、その後コサイン類似性、正規化、時間的注意機構を用いて第2段階に融合する。 3段目は融合した特徴を高分解能LSTにデコードし、続いてガウスフィルタで高周波ノイズを抑制する。 トレーニングは、物理平均化原理に基づく弱監督的な戦略に従っており、PatchGAN差別者によって強化されている。 実験により、WGASTは定量評価と定性評価の両方において既存の手法よりも優れていることが示された。 最も優れたベースラインと比較すると、平均してWGASTはRMSEを17.18%削減し、SSIMを11.00%改善している。 さらに、WGASTはクラウドによって誘導されるLSTに対して堅牢であり、33の地上センサーに対して検証されるように、大規模な熱パターンを効果的に捕捉する。 コードはhttps://github.com/Sofianebouaziz1/WGAST.gitで公開されている。

関連論文リスト

• FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations [3.344876133162209]
  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。
  論文  参考訳（メタデータ） (2025-07-30T23:04:16Z)
• An ocean front detection and tracking algorithm [4.0604303269549185]
  本稿では,距離空間解析を用いたベイズフロント検出・追跡フレームワークを提案する。 BFDTMSAはヒストグラム法と比較して過検出を73%削減する。 オープンソースリリースは、再現可能な海洋研究において重要なギャップを埋めるものだ。
  論文  参考訳（メタデータ） (2025-02-21T07:00:09Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• 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)

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。