論文の概要: Downscaling land surface temperature data using edge detection and block-diagonal Gaussian process regression

• arxiv url: http://arxiv.org/abs/2602.02813v1
• Date: Mon, 02 Feb 2026 21:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.090429
• Title: Downscaling land surface temperature data using edge detection and block-diagonal Gaussian process regression
• Title（参考訳）: エッジ検出とブロック対角ガウス過程回帰を用いた陸地温度データのダウンスケーリング
• Authors: Sanjit Dandapanthula, Margaret Johnson, Madeleine Pascolini-Campbell, Glynn Hulley, Mikael Kuusela,
• Abstract要約: 我々は,NASAのECOSTRESSミッションから得られた陸地表面温度(LST)データをダウンスケーリングする新しい統計手法を開発した。 我々は、エッジ検出技術により農地の境界を識別し、空間領域に存在する固有のブロック構造を捕捉する。 提案手法は信頼性の高い高分解能LST推定における実用性を示す。
• 参考スコア（独自算出の注目度）: 0.14777718769290527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and high-resolution estimation of land surface temperature (LST) is crucial in estimating evapotranspiration, a measure of plant water use and a central quantity in agricultural applications. In this work, we develop a novel statistical method for downscaling LST data obtained from NASA's ECOSTRESS mission, using high-resolution data from the Landsat 8 mission as a proxy for modeling agricultural field structure. Using the Landsat data, we identify the boundaries of agricultural fields through edge detection techniques, allowing us to capture the inherent block structure present in the spatial domain. We propose a block-diagonal Gaussian process (BDGP) model that captures the spatial structure of the agricultural fields, leverages independence of LST across fields for computational tractability, and accounts for the change of support present in ECOSTRESS observations. We use the resulting BDGP model to perform Gaussian process regression and obtain high-resolution estimates of LST from ECOSTRESS data, along with uncertainty quantification. Our results demonstrate the practicality of the proposed method in producing reliable high-resolution LST estimates, with potential applications in agriculture, urban planning, and climate studies.
• Abstract（参考訳）: 土地表面温度 (LST) の高精度かつ高精度な推定は, 蒸発散量の推定, 植物水利用の測定, 農業利用における中心的な量の推定に不可欠である。 本研究では、ランドサット8号の高分解能データを用いて、NASAのECOSTRESSミッションから得られたLSTデータをダウンスケールする新しい統計手法を開発した。 ランドサットデータを用いて、エッジ検出技術により農地の境界を識別し、空間領域に存在する固有のブロック構造を捕捉する。 本研究では,農地の空間構造を捉えるブロック対角的ガウス過程(BDGP)モデルを提案する。 得られたBDGPモデルを用いてガウス過程の回帰を行い,ECOSTRESSデータからLSTの高分解能推定値と不確かさの定量化を求める。 本研究は, 農業, 都市計画, 気候研究に応用可能な, 信頼性の高い高分解能LCT推定法の実現性を示すものである。

関連論文リスト

• Seeing Soil from Space: Towards Robust and Scalable Remote Soil Nutrient Analysis [0.0]
  本研究では、農地の土壌特性を推定するための堅牢でスケーラブルなモデリングシステムを提案する。 このシステムは、プロキシとドライバを介して土壌を間接的にモデル化する手法と、直接スペクトルモデリングを組み合わせたハイブリッド・モデリング・アプローチを採用している。 本システムは,多種多様な気候帯にまたがる欧州の耕作地を対象とする調和データセットで検証する。
  論文  参考訳（メタデータ） (2025-12-10T12:08:55Z)
• Integrating Score-Based Diffusion Models with Machine Learning-Enhanced Localization for Advanced Data Assimilation in Geological Carbon Storage [35.18016233072556]
  本稿では, 地質的な炭素貯蔵プロジェクトにおいて, 機械学習がデータ同化をいかに促進するかを考察する。 拡散モデルによって生成された透水性を持つ大きなアンサンブルを使用する機械学習強化型ローカライゼーションフレームワークを用いる。 提案手法はDelft Advanced Research Terra Simulatorを用いたCO$$インジェクションのシナリオに適用する。
  論文  参考訳（メタデータ） (2025-11-07T14:28:55Z)
• KG-FGNN: Knowledge-guided GNN Foundation Model for Fertilisation-oriented Soil GHG Flux Prediction [8.025242423352509]
  精密土壌温室効果ガス(GHG)フラックス予測は, 環境影響の評価, 排出削減戦略の展開, 持続可能な農業の促進に不可欠である。 多くの農場で先進的なセンサーとネットワーク技術が不足しているため、包括的で多様な農業データを取得することは困難である。 本研究では、農業プロセスベースモデルとグラフニューラルネットワーク技術に埋め込まれた知識を統合することにより、上記の課題に対処する知識誘導グラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T21:40:24Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Leveraging Land Cover Priors for Isoprene Emission Super-Resolution [15.868193361155656]
  本研究は,BVOCエミッションマップの精錬に費用効率の高いデータ駆動型アプローチを提供することにより,大気化学と気候モデリングに寄与する。 提案手法は,衛星による排出データの利用性を高め,大気質予測,気候影響評価,環境研究への応用を支援する。
  論文  参考訳（メタデータ） (2025-03-24T13:23:46Z)
• 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)
• Deep autoregressive modeling for land use land cover [0.0]
  ランド・ユース/ランド・カバー・モデリング(LULC)は、地理的特徴と地形、生態学、人間発達に関連する異なる空間パターンの間の長距離依存関係のために難しい課題である。 土地利用の空間パターンのモデル化とコンピュータビジョンからのイメージインペインティングの課題との密接な関係を同定し,約1900万個のLULCをモデル化するための改良されたPixelCNNアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-01-02T18:03:57Z)
• SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation [37.212272184144]
  降雨空間分析のためのデータ駆動型自己教師型学習フレームワークを提案する。 過去のデータから潜伏した空間パターンをマイニングすることで、SpaFormerは生データに対する情報埋め込みを学び、空間相関を適応的にモデル化することができる。 本手法は,2つの実世界のラリングオージデータセットの実験において,最先端のソリューションよりも優れる。
  論文  参考訳（メタデータ） (2023-11-27T04:23:47Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。