Fugu-MT 論文翻訳(概要): GeoNDC: A Queryable Neural Data Cube for Planetary-Scale Earth Observation

論文の概要: GeoNDC: A Queryable Neural Data Cube for Planetary-Scale Earth Observation

arxiv url: http://arxiv.org/abs/2603.25037v2
Date: Fri, 27 Mar 2026 02:17:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.165475
Title: GeoNDC: A Queryable Neural Data Cube for Planetary-Scale Earth Observation
Title（参考訳）: GeoNDC:惑星規模の地球観測のためのクエリー可能なニューラルデータキューブ
Authors: Jianbo Qi, Mengyao Li, Baogui Jiang, Yidan Chen, Xihan Mu, Qiao Wang,
Abstract要約: 本研究では、惑星スケールの地球観測データを連続的な暗黙のニューラルネットワークとして符号化するクエリー可能なニューラルデータキューブを提案する。 20年間の地球規模のMODIS衛星記録の実験により、学習された表現が直接時間的クエリをサポートすることが示された。これらの結果は、GeoNDCが惑星規模の地球観測のために統合されたAIネイティブ表現を提供することを示唆している。
参考スコア（独自算出の注目度）: 12.577065262418586
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Satellite Earth observation has accumulated massive spatiotemporal archives essential for monitoring environmental change, yet these remain organized as discrete raster files, making them costly to store, transmit, and query. We present GeoNDC, a queryable neural data cube that encodes planetary-scale Earth observation data as a continuous spatiotemporal implicit neural field, enabling on-demand queries and continuous-time reconstruction without full decompression. Experiments on a 20-year global MODIS MCD43A4 reflectance record ($8016 \times 4008$ pixels, 7 bands, 915 temporal frames) show that the learned representation supports direct spatiotemporal queries on consumer hardware. On Sentinel-2 imagery (10 m), continuous temporal parameterization recovers cloud-free dynamics with high fidelity ($R^2 > 0.85$) under simulated 2-km cloud occlusion. On HiGLASS biophysical products (LAI and FPAR), GeoNDC attains near-perfect accuracy ($R^2 > 0.98$). The representation compresses the 20-year MODIS archive to 0.44\,GB -- approximately 95:1 relative to an optimized Int16 baseline -- with high spectral fidelity (mean $R^2 > 0.98$, mean RMSE $= 0.021$). These results suggest GeoNDC offers a unified AI-native representation for planetary-scale Earth observation, complementing raw archives with a compact, analysis-ready data layer integrating query, reconstruction, and compression in a single framework.
Abstract（参考訳）: 衛星地球観測では、環境変化の監視に不可欠な大規模な時空間アーカイブが蓄積されているが、これらは独立したラスタファイルとして組織化されており、保存、送信、クエリに費用がかかる。我々は、惑星スケールの地球観測データを連続的な時空間的暗黙的ニューラルネットワークとして符号化するクエリー可能なニューラルデータキューブGeoNDCを提案する。 20年間のMODIS MCD43A4リフレクタンスレコード(8016 \times 4008$ pixels, 7 bands, 915 temporal frames)の実験では、学習された表現がコンシューマハードウェア上で直接時空間クエリをサポートすることが示されている。センチネル2画像(10m)では、連続時間パラメータ化は2kmの雲閉塞下で高忠実度(R^2 > 0.85$)の雲のないダイナミクスを回復する。 HiGLASSの生物物理製品(LAIおよびFPAR)では、GeoNDCはほぼ完璧な精度(R^2 > 0.98$)が得られる。この表現は、20年間のMODISアーカイブを 0.44\,GB -- 最適化されたInt16ベースラインと比較して約95:1 -- に圧縮し、スペクトル忠実度が高い(平均$R^2 > 0.98$、平均RMSE $= 0.021$)。これらの結果は、GeoNDCが惑星規模の地球観測のための統合されたAIネイティブ表現を提供し、クエリ、再構築、圧縮を単一のフレームワークに統合したコンパクトで分析可能なデータ層で生のアーカイブを補完していることを示唆している。

関連論文リスト

Physically Interpretable AlphaEarth Foundation Model Embeddings Enable LLM-Based Land Surface Intelligence [0.0]
環境変数26に対して,Google AlphaEarthの64次元埋め込みを包括的に解析する。次に、FAISSによる1210万ベクトルの埋め込みデータベース上での検索拡張生成を実装するランドサーフェスインテリジェンスシステムを開発した。
論文参考訳（メタデータ） (2026-02-10T22:58:50Z)
Democratizing planetary-scale analysis: An ultra-lightweight Earth embedding database for accurate and flexible global land monitoring [19.019853798955513]
ESDは、2000年から2024年までの25年間にわたる、超軽量で30mの地球埋め込みデータベースである。データセットは、生のアーカイブと比較してデータボリュームが340倍に減少する。頑丈な数発の学習能力と長手一貫性により、ESDは惑星スケールの研究を民主化するための汎用的な基盤を提供する。
論文参考訳（メタデータ） (2026-01-16T10:59:43Z)
Hyperspectral Variational Autoencoders for Joint Data Compression and Component Extraction [5.157309015481045]
我々は、NASAのTEMPO衛星ハイパースペクトル観測(1028チャンネル、290-490nm)のx514圧縮を実現する変分オートエンコーダ(VAE)アプローチを提案する。この劇的なデータボリューム削減は、スペクトルの忠実さを維持しながら、効率的なアーカイブと衛星観測の共有を可能にする。
論文参考訳（メタデータ） (2025-11-23T16:26:09Z)
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)
From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences [0.38836072943850625]
TRONは22年間のシミュレーションデータに基づいて訓練され、65,341箇所で一般化されている。 TRONは、大気モデル、地球物理学的ハザードモニタリング、リアルタイム環境リスク予測など、スパースデータから科学分野を再構築するためのドメインに依存しないフレームワークを提供する。
論文参考訳（メタデータ） (2025-05-24T16:24:10Z)
EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文参考訳（メタデータ） (2025-01-14T13:42:22Z)
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)
S$^2$Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification [44.99672241508994]
ハイパースペクトル画像(HSI)を用いた土地被覆解析は、空間分解能の低さと複雑なスペクトル情報のため、未解決の課題である。ハイパースペクトル画像分類のための空間スペクトル状態空間モデルであるS$2$Mambaを提案する。
論文参考訳（メタデータ） (2024-04-28T15:12:56Z)
Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文参考訳（メタデータ） (2023-03-03T14:14:08Z)
Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文参考訳（メタデータ） (2022-07-04T14:51:59Z)
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。