論文の概要: Spatio-Temporal Transformers for Long-Term NDVI Forecasting

• arxiv url: http://arxiv.org/abs/2602.01799v1
• Date: Mon, 02 Feb 2026 08:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.010467
• Title: Spatio-Temporal Transformers for Long-Term NDVI Forecasting
• Title（参考訳）: 長期NDVI予測のための時空間変換器
• Authors: Ido Faran, Nathan S. Netanyahu, Maxim Shoshany,
• Abstract要約: STT-LTFは、一貫したトランスフォーマーアーキテクチャを通じて、時間的シーケンス(最大20年)と共にマルチスケール空間パッチを処理する。 このフレームワークは、空間マスキング、時間マスキング、地平線サンプリング戦略による総合的な自己教師型学習を採用している。 これは、空間パッチの埋め込み、周期的時間エンコーディング、地理的座標を組み込んで、エラーの蓄積なしに任意の将来の時点を直接予測する。
• 参考スコア（独自算出の注目度）: 0.5097809301149342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term satellite image time series (SITS) analysis in heterogeneous landscapes faces significant challenges, particularly in Mediterranean regions where complex spatial patterns, seasonal variations, and multi-decade environmental changes interact across different scales. This paper presents the Spatio-Temporal Transformer for Long Term Forecasting (STT-LTF ), an extended framework that advances beyond purely temporal analysis to integrate spatial context modeling with temporal sequence prediction. STT-LTF processes multi-scale spatial patches alongside temporal sequences (up to 20 years) through a unified transformer architecture, capturing both local neighborhood relationships and regional climate influences. The framework employs comprehensive self-supervised learning with spatial masking, temporal masking, and horizon sampling strategies, enabling robust model training from 40 years of unlabeled Landsat imagery. Unlike autoregressive approaches, STT-LTF directly predicts arbitrary future time points without error accumulation, incorporating spatial patch embeddings, cyclical temporal encoding, and geographic coordinates to learn complex dependencies across heterogeneous Mediterranean ecosystems. Experimental evaluation on Landsat data (1984-2024) demonstrates that STT-LTF achieves a Mean Absolute Error (MAE) of 0.0328 and R^2 of 0.8412 for next-year predictions, outperforming traditional statistical methods, CNN-based approaches, LSTM networks, and standard transformers. The framework's ability to handle irregular temporal sampling and variable prediction horizons makes it particularly suitable for analysis of heterogeneous landscapes experiencing rapid ecological transitions.
• Abstract（参考訳）: 異種景観における長期衛星画像時系列(SITS)解析は、特に複雑な空間パターン、季節変動、多次元環境変化が異なるスケールで相互作用する地中海地域で重要な課題に直面している。 本稿では,時間的文脈モデリングと時間的シーケンス予測を統合するために,時間的解析を超えて進展する拡張フレームワークSTT-LTF(Spatio-Temporal Transformer for Long Term Forecasting)を提案する。 STT-LTFは、一貫したトランスフォーマーアーキテクチャを通じて、時間的シーケンス(最大20年)と共にマルチスケール空間パッチを処理し、局所的な地域関係と地域気候の影響の両方を捉えている。 このフレームワークは、空間マスキング、時間マスキング、地平線サンプリング戦略による総合的な自己教師型学習を採用し、40年間のラベルなしランドサット画像からの堅牢なモデルトレーニングを可能にする。 自己回帰的アプローチとは異なり、STT-LTFは、空間パッチ埋め込み、周期的時間符号化、地理的座標を組み込んで、不均一な地中海生態系の複雑な依存関係を学習する。 ランドサットデータ (1984-2024) の実験的評価により, STT-LTF が平均絶対誤差 0.0328 と R^2 の 平均絶対誤差 0.8412 を次年度予測, 従来の統計手法, CNN に基づくアプローチ, LSTM ネットワーク, 標準変圧器で達成していることが示された。 不規則な時間的サンプリングと変動予測水平線の処理能力は、急激な生態遷移を経験する異種景観の分析に特に適している。

関連論文リスト

• A multimodal Transformer for InSAR-based ground deformation forecasting with cross-site generalization across Europe [3.3295066998131637]
  EGMS時系列からの変位マップの1段階, 固定区間次エポシック・コンポーティングのためのパッチベースの変換器を提案する。 このモデルは、トレーニングウィンドウからのみリークセーフな方法で計算された静的運動指標(平均速度、加速度、季節振幅)とともに、最近の変位スナップショットを取り込みます。 一方、STGCNはCNN-LSTM、CNN-LSTM+Attn、Multimodal STGCNよりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-12-30T00:07:36Z)
• B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data [0.15763762230817438]
  本稿では,2次元グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートコーダを提案する。 エンコーダとデコーダは、共同時空間特徴を抽出するConvLSTM2Dモジュールを備えている。 実験は、最先端のベースラインと比較して、クラスター分離性、時間的安定性、既知の気候遷移との整合性が優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-16T16:08:21Z)
• XFMNet: Decoding Cross-Site and Nonstationary Water Patterns via Stepwise Multimodal Fusion for Long-Term Water Quality Forecasting [8.412056996021962]
  XFMNetは、リモートセンシング降水画像を統合する段階的なマルチモーダル核融合ネットワークである。 XFMNetは長期トレンドと短期変動の両方をキャプチャする。 実世界のデータセットの実験は、最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-08-01T04:11:36Z)
• Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting [12.301897782320967]
  TK-GCNは、幾何学的空間符号化と長距離時間モデリングを統合した2段階のフレームワークである。 我々は,TK-GCNが予測地平線全体にわたって優れた予測精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-07-05T01:26:03Z)
• Interpretable Time Series Autoregression for Periodicity Quantification [18.6300875919604]
  時系列自動回帰(英: Time series autoregression、AR)は、実世界のシステムにおける自動相関と周期構造のための古典的なツールである。 SAR(sparse autoregression)を導入してこのモデルを再検討し、支配的な周期を分離するために$ell$-norm制約を用いる。 大規模移動・気候時系列の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-06-28T14:17:11Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)

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。