Fugu-MT 論文翻訳(概要): Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates

論文の概要: Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates

arxiv url: http://arxiv.org/abs/2602.17683v1
Date: Wed, 04 Feb 2026 17:48:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 07:21:25.516374
Title: Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates
Title（参考訳）: Sparse Satellite Time Series and Weather Covariates による確率的NDVI予測
Authors: Irene Iele, Giulia Romoli, Daniele Molino, Elena Mulero Ayllón, Filippo Ruffini, Paolo Soda, Matteo Tortora,
Abstract要約: 植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
参考スコア（独自算出の注目度）: 1.1503354666872168
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate short-term forecasting of vegetation dynamics is a key enabler for data-driven decision support in precision agriculture. Normalized Difference Vegetation Index (NDVI) forecasting from satellite observations, however, remains challenging due to sparse and irregular sampling caused by cloud coverage, as well as the heterogeneous climatic conditions under which crops evolve. In this work, we propose a probabilistic forecasting framework specifically designed for field-level NDVI prediction under clear-sky acquisition constraints. The method leverages a transformer-based architecture that explicitly separates the modeling of historical vegetation dynamics from future exogenous information, integrating historical NDVI observations with both historical and future meteorological covariates. To address irregular revisit patterns and horizon-dependent uncertainty, we introduce a temporal-distance weighted quantile loss that aligns the training objective with the effective forecasting horizon. In addition, we incorporate cumulative and extreme-weather feature engineering to better capture delayed meteorological effects relevant to vegetation response. Extensive experiments on European satellite data demonstrate that the proposed approach consistently outperforms a diverse set of statistical, deep learning, and recent time series baselines across both point-wise and probabilistic evaluation metrics. Ablation studies further highlight the central role of target history, while showing that meteorological covariates provide complementary gains when jointly exploited. The code is available at https://github.com/arco-group/ndvi-forecasting.
Abstract（参考訳）: 植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。しかし、衛星観測から予測される正規化相違植生指数(NDVI)は、雲の被覆によって引き起こされる希少で不規則なサンプリングと、作物が進化する異質な気候条件により、依然として困難なままである。本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。この手法は、歴史的植生力学のモデリングを将来の外生情報から明確に分離するトランスフォーマーに基づくアーキテクチャを活用し、歴史的なNDVI観測を歴史的および将来の気象学的共変量と統合する。不規則な再訪パターンと地平線に依存しない不確実性に対処するために、トレーニング目標と効果的な予測地平線とを整合させる時間依存性重み付き量子的損失を導入する。さらに,植生応答に関連する遅延気象効果をよりよく捉えるために,累積・極端気象特性工学を取り入れた。欧州の衛星データに関する大規模な実験により、提案手法は様々な統計、深層学習、および最近の時系列ベースラインを、ポイントワイドおよび確率的評価指標の両方で一貫して上回っていることが示された。アブレーション研究は、目標とする歴史の中心的な役割をさらに強調し、気象学的共変が共同利用時に相補的な利益をもたらすことを示した。コードはhttps://github.com/arco-group/ndvi-forecasting.comで公開されている。

関連論文リスト

Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文参考訳（メタデータ） (2025-12-09T17:20:56Z)
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting [3.5137191090796054]
本稿では、時間的構造を利用して多変量気象予測を改善する自己教師型学習フレームワークを提案する。提案手法は従来の数値予測天気(NWP)モデルと比較して優れた性能を示す。このフレームワークは、将来のデータ駆動気象システムに対してスケーラブルでラベル効率のよいソリューションを提供する。
論文参考訳（メタデータ） (2025-10-28T10:52:15Z)
DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文参考訳（メタデータ） (2025-10-13T03:13:35Z)
SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation [15.244330283621247]
正確な放送は、災害管理、農業、輸送、エネルギー最適化など、様々な社会的ニーズに対処する上で最も重要である。我々は,短時間から長期の知識蒸留技術と重み付きMSE損失を併用し,豪雨地域を優先する新たな訓練パイプラインであるSimCastを提案する。 SimCastは、決定論的予測を生成するため、さらに拡散に基づくフレームワークCasCastに統合し、確率モデルからの強みを活用して、決定論的出力の曖昧さや分布シフトといった制限を克服する。
論文参考訳（メタデータ） (2025-10-09T08:49:16Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts [0.0]
天気予報には視界のアンサンブル予測が組み込まれている。予測の信頼性と精度を高めるために、後処理が推奨される。本研究は, 後処理後の予測が, 生・気候予測よりもかなり優れていることを確認した。
論文参考訳（メタデータ） (2024-06-20T09:57:49Z)
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)
Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文参考訳（メタデータ） (2023-11-30T08:22:08Z)
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)
PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文参考訳（メタデータ） (2023-07-19T19:19:13Z)
Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs [2.7708222692419735]
我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
論文参考訳（メタデータ） (2022-10-24T23:03:36Z)

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。