Fugu-MT 論文翻訳(概要): Four decades of circumpolar super-resolved satellite land surface temperature data

論文の概要: Four decades of circumpolar super-resolved satellite land surface temperature data

arxiv url: http://arxiv.org/abs/2511.17134v1
Date: Fri, 21 Nov 2025 10:53:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-24 18:08:18.978422
Title: Four decades of circumpolar super-resolved satellite land surface temperature data
Title（参考訳）: 極超解像衛星地表温度データの40年間
Authors: Sonia Dupuis, Nando Metzger, Konrad Schindler, Frank Göttsche, Stefan Wunderle,
Abstract要約: 超解像アルゴリズムを用いて, AVHRR GAC から 1 km までダウンスケールした42年間のパンArctic LSTデータセットを提案する。結果として得られたデータセットは、40年以上にわたってパン・アルキティック地域全体で2回、1 km LSTの観測結果を提供する。永久凍土のモデリングの改善、表面近傍の大気温度の再構築、グリーンランド氷床の表面質量収支の評価を可能にした。
参考スコア（独自算出の注目度）: 19.704680245752094
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Land surface temperature (LST) is an essential climate variable (ECV) crucial for understanding land-atmosphere energy exchange and monitoring climate change, especially in the rapidly warming Arctic. Long-term satellite-based LST records, such as those derived from the Advanced Very High Resolution Radiometer (AVHRR), are essential for detecting climate trends. However, the coarse spatial resolution of AVHRR's global area coverage (GAC) data limit their utility for analyzing fine-scale permafrost dynamics and other surface processes in the Arctic. This paper presents a new 42 years pan-Arctic LST dataset, downscaled from AVHRR GAC to 1 km with a super-resolution algorithm based on a deep anisotropic diffusion model. The model is trained on MODIS LST data, using coarsened inputs and native-resolution outputs, guided by high-resolution land cover, digital elevation, and vegetation height maps. The resulting dataset provides twice-daily, 1 km LST observations for the entire pan-Arctic region over four decades. This enhanced dataset enables improved modelling of permafrost, reconstruction of near-surface air temperature, and assessment of surface mass balance of the Greenland Ice Sheet. Additionally, it supports climate monitoring efforts in the pre-MODIS era and offers a framework adaptable to future satellite missions for thermal infrared observation and climate data record continuity.
Abstract（参考訳）: 地表面温度(LST)は、特に温暖化北極圏において、土地と大気のエネルギー交換と気候変動のモニタリングを理解するために不可欠な気候変動である。高度超高分解能放射計(AVHRR)から導かれるような長期衛星によるLST記録は、気候の傾向を検出するのに不可欠である。しかし、AVHRRのグローバル・エリア・カバレッジ(GAC)データの粗い空間解像度は、北極圏の微細な永久凍土力学やその他の表面過程を分析するための有用性を制限している。本稿では, 深部異方性拡散モデルに基づく超解像アルゴリズムを用いて, AVHRR GAC から 1 km までダウンスケールした42年間のパンArctic LSTデータセットを提案する。このモデルはMODIS LSTデータに基づいてトレーニングされ、粗い入力とネイティブ解像度の出力を使用して、高解像度の土地被覆、デジタル標高、植生の高さマップでガイドされる。結果として得られたデータセットは、40年以上にわたってパン・アルキティック地域全体で2回、1 km LSTの観測結果を提供する。この拡張されたデータセットは、永久凍土のモデリングの改善、表面温度の再構築、グリーンランド氷床の表面質量収支の評価を可能にする。さらに、MODIS以前の気候監視活動をサポートし、将来の赤外線観測や気候データ記録の連続性のために、将来の衛星ミッションに適応可能なフレームワークを提供する。

関連論文リスト

Beyond Resolution: Multi - Scale Weather and Climate Data for Alpine Renewable Energy in the Digital Twin Era - First Evaluations and Recommendations [0.061573828205377185]
オーストリアの水力発電は2025年初頭に雪の積もりが減ったために44%減った。標準気象・気候データセットは、未発達の再生可能性を持つ山岳地域で体系的に失敗する。本論では,アルプスのエネルギー・気候データギャップに対する新たな解決法について述べる。
論文参考訳（メタデータ） (2025-11-05T09:45:14Z)
Developing a Sequential Deep Learning Pipeline to Model Alaskan Permafrost Thaw Under Climate Change [0.0]
気候の変化は天然の永久凍土の融解サイクルを脅かし、年間0degC以上の土壌温度をもたらす。アラスカ州では、活性層として知られる最上部の永久凍土層の温暖化が、炭素貯蔵量の増加による温室効果ガス放出の上昇を示唆している。本研究では,複数の深度にまたがる年間土壌温度をモデル化するための概念的緯度に基づく深層学習パイプラインを提案する。
論文参考訳（メタデータ） (2025-10-05T01:08:47Z)
Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
論文参考訳（メタデータ） (2025-07-30T08:43:48Z)
Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
論文参考訳（メタデータ） (2024-12-04T15:49:49Z)
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)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文参考訳（メタデータ） (2023-08-08T18:18:31Z)
Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。