論文の概要: TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2511.12104v1
• Date: Sat, 15 Nov 2025 08:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.611312
• Title: TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery
• Title（参考訳）: TEMPO:地球規模の仮設建築物密度と衛星画像からの高さ推定
• Authors: Tammy Glazer, Gilles Q. Hacheme, Akram Zaytar, Luana Marotti, Amy Michaels, Girmaw Abebe Tadesse, Kevin White, Rahul Dodhia, Andrew Zolli, Inbal Becker-Reshef, Juan M. Lavista Ferres, Caleb Robinson,
• Abstract要約: 深層学習モデルを用いた高解像度衛星画像から得られた建物密度と高さのグローバル・時間分解データセットTEMPOを提案する。 我々は,4分の1のPlanetScopeベースマップ衛星画像とビルのフットプリントと高さデータを組み合わせて,ビルの密度と高さを37.6m/ピクセルの解像度で予測するマルチタスク深度学習モデルを訓練する。 このモデルを2018年第1四半期から2025年第2四半期にかけてのグローバルなPlanetScopeベースマップに適用し、建物密度と高さのグローバルな時間マップを作成する。
• 参考スコア（独自算出の注目度）: 6.725489723441197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present TEMPO, a global, temporally resolved dataset of building density and height derived from high-resolution satellite imagery using deep learning models. We pair building footprint and height data from existing datasets with quarterly PlanetScope basemap satellite images to train a multi-task deep learning model that predicts building density and building height at a 37.6-meter per pixel resolution. We apply this model to global PlanetScope basemaps from Q1 2018 through Q2 2025 to create global, temporal maps of building density and height. We validate these maps by comparing against existing building footprint datasets. Our estimates achieve an F1 score between 85% and 88% on different hand-labeled subsets, and are temporally stable, with a 0.96 five-year trend-consistency score. TEMPO captures quarterly changes in built settlements at a fraction of the computational cost of comparable approaches, unlocking large-scale monitoring of development patterns and climate impacts essential for global resilience and adaptation efforts.
• Abstract（参考訳）: 深層学習モデルを用いた高解像度衛星画像から得られた建物密度と高さのグローバル・時間分解データセットTEMPOを提案する。 既存のデータセットのフットプリントと高さデータを、四半期毎のPlanetScopeベースマップ衛星画像と組み合わせて、ビルの密度とビルの高さを1ピクセルあたり37.6メートルで予測するマルチタスクディープラーニングモデルを訓練する。 このモデルを2018年第1四半期から2025年第2四半期にかけてのグローバルなPlanetScopeベースマップに適用し、建物密度と高さのグローバルな時間マップを作成する。 既存のビルディングフットプリントデータセットと比較することで、これらのマップを検証する。 調査では,手書きの異なるサブセットのF1スコアは85%から88%であり,時間的に安定しており,5年間のトレンド一貫性スコアは0.96である。 TEMPOは、構築された集落の四半期的な変化を、同等のアプローチの計算コストのごく一部で捉え、グローバルなレジリエンスと適応に不可欠な開発パターンと気候影響の大規模監視を解放する。

関連論文リスト

• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• Capturing Temporal Dynamics in Large-Scale Canopy Tree Height Estimation [17.606638827589315]
  本稿では,大規模で高解像度な天蓋の高さマップを時間とともに生成する新しい手法を提案する。 本モデルでは,Sentinel-1 と Sentinel2 の時系列衛星データを用いて,数年にわたるキャノピーの高さを正確に予測する。 GEDI LiDARデータをモデルトレーニングの基礎的真理として用いて,2019-2022年のヨーロッパ大陸における最初の10m分解能時空間高図を提示する。
  論文  参考訳（メタデータ） (2025-01-31T17:26:06Z)
• 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)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• A global product of fine-scale urban building height based on spaceborne lidar [14.651500878252723]
  我々は2020年ごろに150mの細いグリッドサイズを基準に,都市ビルの高さの最新のグローバルな製品を提供する。 GEDIデータに基づく高さ推定法は, ピアソンrの0.78, RMSEの3.67mで有効であった。 この研究は、気候、環境、生態学、社会科学など多くの分野にわたる将来の都市研究を促進するだろう。
  論文  参考訳（メタデータ） (2023-10-22T16:51:15Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)

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。