論文の概要: Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation

• arxiv url: http://arxiv.org/abs/2602.18083v1
• Date: Fri, 20 Feb 2026 09:17:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.276301
• Title: Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation
• Title（参考訳）: 土壌水分推定のためのマルチモーダル地球観測データの比較評価
• Authors: Ioannis Kontogiorgakis, Athanasios Askitopoulos, Iason Tsardanidis, Dimitrios Bormpoudakis, Ilias Tsoumas, Fotios Balampanis, Charalampos Kontoes,
• Abstract要約: ヨーロッパ全域の植生地帯を対象とした高分解能(10m)土壌水分推定フレームワークを提案する。 空間的クロスバリデーションを用いて時間的パラメータ化とモダリティの組み合わせを比較し、地理的一般化を確実にする。 また,IBM-NASAのPrithviモデルからの基盤モデル埋め込みが従来の手作りのスペクトル特性よりも優れているかを評価する。
• 参考スコア（独自算出の注目度）: 0.9674544640949528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate soil moisture (SM) estimation is critical for precision agriculture, water resources management and climate monitoring. Yet, existing satellite SM products are too coarse (>1km) for farm-level applications. We present a high-resolution (10m) SM estimation framework for vegetated areas across Europe, combining Sentinel-1 SAR, Sentinel-2 optical imagery and ERA-5 reanalysis data through machine learning. Using 113 International Soil Moisture Network (ISMN) stations spanning diverse vegetated areas, we compare modality combinations with temporal parameterizations, using spatial cross-validation, to ensure geographic generalization. We also evaluate whether foundation model embeddings from IBM-NASA's Prithvi model improve upon traditional hand-crafted spectral features. Results demonstrate that hybrid temporal matching - Sentinel-2 current-day acquisitions with Sentinel-1 descending orbit - achieves R^2=0.514, with 10-day ERA5 lookback window improving performance to R^2=0.518. Foundation model (Prithvi) embeddings provide negligible improvement over hand-crafted features (R^2=0.515 vs. 0.514), indicating traditional feature engineering remains highly competitive for sparse-data regression tasks. Our findings suggest that domain-specific spectral indices combined with tree-based ensemble methods offer a practical and computationally efficient solution for operational pan-European field-scale soil moisture monitoring.
• Abstract（参考訳）: 正確な土壌水分(SM)の推定は、精密農業、水資源管理、気候モニタリングに重要である。 しかし、既存の衛星SM製品は農地レベルの用途では粗い(>1km)。 本研究では,Sentinel-1 SAR,Sentinel-2光画像,ERA-5再解析データを組み合わせた,ヨーロッパ全土の植生地域を対象とした高分解能 (10m) SM推定フレームワークを提案する。 多様な植生地帯にまたがる113の国際土壌水分ネットワーク(ISMN)局を用いて,空間的クロスバリデーションを用いて時間的パラメータ化とモダリティの組み合わせを比較し,地理的一般化を確実にする。 また,IBM-NASAのPrithviモデルからの基盤モデル埋め込みが従来の手作りのスペクトル特性よりも優れているかを評価する。 その結果, センチネル-2とセンチネル-1下降軌道とのハイブリッド時間マッチングはR^2=0.514となり, 10日間のERA5ルックバックウィンドウはR^2=0.518に改善した。 ファンデーションモデル(Prithvi)埋め込みは手作り機能(R^2=0.515 vs. 0.514)よりも無視できる改善を提供する。 本研究は, 木系アンサンブル法と組み合わせた領域特異的スペクトル指標が, 実効的かつ計算学的に有効であることを示す。

関連論文リスト

• A Dual-TransUNet Deep Learning Framework for Multi-Source Precipitation Merging and Improving Seasonal and Extreme Estimates [2.9811995156103457]
  衛星探査と再分析による多ソース降水生成物 (MSP) は, 温暖化モニタリングに広く利用されている。 我々は6つのMSPと4つのERA5物理予測器を統合する2段階のTransUNetベースのマルチソース降水統合フレームワーク(DDL-MSPMF)を開発した。
  論文  参考訳（メタデータ） (2026-02-04T16:55:43Z)
• Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest [0.0]
  エバポ蒸散(ET)は陸上と大気の相互作用において重要な役割を担っているが、その正確な定量化は依然として困難である。 本研究は,ツリーベースおよび知識誘導型機械学習(ML)技術とマルチスペクトルリモートセンシングデータ,格子状気象データ,ECデータを統合し,米国中西部のETをスケールアップする。
  論文  参考訳（メタデータ） (2025-10-13T15:15:40Z)
• TESSERA: Precomputed FAIR Global Pixel Embeddings for Earth Representation and Analysis [0.0]
  本稿では,EO時系列の画素指向基礎モデルであるTESSERAを提案する。 128次元の潜伏埋め込みを生成し、タスク固有のトレーニングのためにラベルを数個だけ必要とします。 使いやすさ、スケール、正確さは前例がない。
  論文  参考訳（メタデータ） (2025-06-25T12:46:26Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach [6.595840767689357]
  本研究は,知識誘導型深層学習手法の開発に向けた予備的な取り組みを示す。 ウォータークラウドモデル(WCM)の原則を長期記憶モデル(LSTM)に統合する。 提案手法は,全後方散乱から分離された土壌後方散乱係数とランドサット分解能植生情報と表面特性に基づいて構築される。 その結果, 植生被覆や表面条件の異なる地域では, SM検索を0.02 m$3$/m$3$に減らし, 相関係数(R)を最大0.64以上とした。
  論文  参考訳（メタデータ） (2025-05-01T03:12:25Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• 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)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• 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)
• Rover Relocalization for Mars Sample Return by Virtual Template Synthesis and Matching [48.0956967976633]
  我々は、概念火星サンプルリターンキャンペーンの文脈におけるローバー再局在化の問題を検討する。 このキャンペーンでは、ローバー(R1)は、約50 x 50 mの領域内を自律的にナビゲートおよびローカライズできる必要があります。 本研究では,相対的に不規則な地形に対してロバスト性を示す視覚ローカライザーを提案する。
  論文  参考訳（メタデータ） (2021-03-05T00:18:33Z)
• Fusing Optical and SAR time series for LAI gap filling with multioutput Gaussian processes [6.0122901245834015]
  農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。 SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。 本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
  論文  参考訳（メタデータ） (2020-12-05T10:36:45Z)

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。