論文の概要: ECHOSAT: Estimating Canopy Height Over Space And Time

• arxiv url: http://arxiv.org/abs/2602.21421v1
• Date: Tue, 24 Feb 2026 22:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.630989
• Title: ECHOSAT: Estimating Canopy Height Over Space And Time
• Title（参考訳）: ECHOSAT:天の川の高さを宇宙と時間で推定する
• Authors: Jan Pauls, Karsten Schrödter, Sven Ligensa, Martin Schwartz, Berkant Turan, Max Zimmer, Sassan Saatchi, Sebastian Pokutta, Philippe Ciais, Fabian Gieseke,
• Abstract要約: 既存の世界樹高マップは静的スナップショットのみを提供し、時間的森林動態を捉えない。 複数年にわたる10mの解像度で,グローバルかつ時間的に一貫した樹高マップであるECHOSATを紹介した。 また、木の成長と乱れを時間とともに正確に定量化する最初の世界規模の高さマップも提供する。
• 参考スコア（独自算出の注目度）: 17.73069647964353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forest monitoring is critical for climate change mitigation. However, existing global tree height maps provide only static snapshots and do not capture temporal forest dynamics, which are essential for accurate carbon accounting. We introduce ECHOSAT, a global and temporally consistent tree height map at 10 m resolution spanning multiple years. To this end, we resort to multi-sensor satellite data to train a specialized vision transformer model, which performs pixel-level temporal regression. A self-supervised growth loss regularizes the predictions to follow growth curves that are in line with natural tree development, including gradual height increases over time, but also abrupt declines due to forest loss events such as fires. Our experimental evaluation shows that our model improves state-of-the-art accuracies in the context of single-year predictions. We also provide the first global-scale height map that accurately quantifies tree growth and disturbances over time. We expect ECHOSAT to advance global efforts in carbon monitoring and disturbance assessment. The maps can be accessed at https://github.com/ai4forest/echosat.
• Abstract（参考訳）: 森林モニタリングは気候変動の緩和に不可欠である。 しかし、既存の世界樹高マップは静止スナップショットのみを提供し、正確な炭素会計に不可欠な時間的森林動態を捉えない。 複数年にわたる10mの解像度で,グローバルかつ時間的に一貫した樹高マップであるECHOSATを紹介した。 そこで我々は,画素レベルの時間回帰を行う特殊な視覚変換器モデルを訓練するために,マルチセンサ衛星データを利用する。 自己監督型成長損失は、時間とともに徐々に高くなるなど、自然樹の発達に伴う成長曲線に従うように予測するが、火災などの森林の損失による急激な減少も予測する。 実験により,本モデルは1年間の予測の文脈において,最先端の精度の向上を図っている。 また、木の成長と乱れを時間とともに正確に定量化する最初の世界規模の高さマップも提供する。 我々は,ECHOSATが炭素モニタリングと外乱評価のグローバルな取り組みを進めることを期待している。 地図はhttps://github.com/ai4forest/echosat.comでアクセスできる。

関連論文リスト

• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Capturing Temporal Dynamics in Large-Scale Canopy Tree Height Estimation [17.606638827589315]
  本稿では,大規模で高解像度な天蓋の高さマップを時間とともに生成する新しい手法を提案する。 本モデルでは,Sentinel-1 と Sentinel2 の時系列衛星データを用いて,数年にわたるキャノピーの高さを正確に予測する。 GEDI LiDARデータをモデルトレーニングの基礎的真理として用いて,2019-2022年のヨーロッパ大陸における最初の10m分解能時空間高図を提示する。
  論文  参考訳（メタデータ） (2025-01-31T17:26:06Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• 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)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)

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。