論文の概要: Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series
- arxiv url: http://arxiv.org/abs/2604.20822v1
- Date: Wed, 22 Apr 2026 17:47:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.268784
- Title: Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series
- Title（参考訳）: グローバルオフショア風基盤:Dense Sentinel-1 時系列からの展開と運用ダイナミクス
- Authors: Thorsten Hoeser, Felix Bachofer, Claudia Kuenzer,
- Abstract要約: 我々は2016Q1から2025Q1までのオフショア風力インフラの展開と運用フェーズを解消するグローバルなセンチネル-1合成開口レーダ(SAR)時系列データコーパスを導入する。
更新されたオブジェクト検出ワークフローに基づいて、検出されたインフラストラクチャロケーションで15,606の時系列をコンパイルし、解析可能な1D SARバックスキャッタプロファイルとして14,840,637のイベントを総括する。
得られたコーパスは, 展開動態のグローバルな解析, 地域展開パターンの違いの同定, 船舶の相互作用, 運用イベントを支援する。
- 参考スコア（独自算出の注目度）: 0.3823356975862005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The offshore wind energy sector is expanding rapidly, increasing the need for independent, high-temporal-resolution monitoring of infrastructure deployment and operation at global scale. While Earth Observation based offshore wind infrastructure mapping has matured for spatial localization, existing open datasets lack temporally dense and semantically fine-grained information on construction and operational dynamics. We introduce a global Sentinel-1 synthetic aperture radar (SAR) time series data corpus that resolves deployment and operational phases of offshore wind infrastructure from 2016Q1 to 2025Q1. Building on an updated object detection workflow, we compile 15,606 time series at detected infrastructure locations, with overall 14,840,637 events as analysis-ready 1D SAR backscatter profiles, one profile per Sentinel-1 acquisition and location. To enable direct use and benchmarking, we release (i) the analysis ready 1D SAR profiles, (ii) event-level baseline semantic labels generated by a rule-based classifier, and (iii) an expert-annotated benchmark dataset of 553 time series with 328,657 event labels. The baseline classifier achieves a macro F1 score of 0.84 in event-wise evaluation and an area under the collapsed edit similarity-quality threshold curve (AUC) of 0.785, indicating temporal coherence. We demonstrate that the resulting corpus supports global-scale analyses of deployment dynamics, the identification of differences in regional deployment patterns, vessel interactions, and operational events, and provides a reference for developing and comparing time series classification methods for offshore wind infrastructure monitoring.
- Abstract（参考訳）: オフショアの風力エネルギー部門は急速に拡大しており、世界規模でのインフラの展開と運用の独立かつ高時間分解能な監視の必要性が高まっている。
地球観測に基づくオフショア風力基盤マッピングは、空間的局所化のために成熟しているが、既存のオープンデータセットには、建設と運用のダイナミクスに関する時間的に密度が高く、セマンティックにきめ細かな情報がない。
我々は2016Q1から2025Q1までのオフショア風力インフラの展開と運用フェーズを解消するグローバルなセンチネル-1合成開口レーダ(SAR)時系列データコーパスを導入する。
更新されたオブジェクト検出ワークフローに基づいて、検出されたインフラストラクチャロケーションで15,606の時系列をコンパイルし、解析可能な1D SARバックスキャッタプロファイルとして14,840,637のイベントを、Sentinel-1の取得とロケーション毎に1プロファイルとしてコンパイルする。
直接の使用とベンチマークを可能にするために、私たちはリリースします。
(i)分析可能な1D SARプロファイル。
(ii)ルールベースの分類器によって生成されるイベントレベルベースラインセマンティックラベル及び
(iii)328,657のイベントラベルを持つ53の時系列のエキスパート注釈付きベンチマークデータセット。
基準線分類器は、事象評価においてマクロF1スコアが0.84、崩壊した編集類似度品質閾値曲線(AUC)が0.785となり、時間的コヒーレンスを示す。
得られたコーパスは, 展開動態のグローバルな解析, 地域展開パターンの違いの同定, 船舶の相互作用, および運用イベントをサポートし, オフショア風力インフラ監視のための時系列分類手法の開発と比較のための基準を提供する。
関連論文リスト
- WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。
CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。
Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
論文 参考訳（メタデータ） (2026-04-09T03:28:05Z) - CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。
大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。
また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
論文 参考訳（メタデータ） (2026-03-12T14:52:35Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - GAIA: A Foundation Model for Operational Atmospheric Dynamics [0.83442357861662]
我々は,MAE(Masked Autoencoders)とラベルのない自己蒸留(DINO)を融合したハイブリッド自己教師型モデルGAIAを紹介する。
GAIAは、自明な日中パターンではなく、大気力学を捉える非絡み合った表現を学ぶ。
下流タスクに移行すると、GAIAは一貫してMAEのみのベースラインを上回っます。
論文 参考訳（メタデータ） (2025-05-15T05:07:09Z) - 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) - Offshore Wind Plant Instance Segmentation Using Sentinel-1 Time Series,
GIS, and Semantic Segmentation Models [0.3413711585591077]
本研究は,セマンティックセグメンテーションモデルとSentinel-1時系列を用いて,インスタンスレベルでオフショア風力プラントを検出することを目的とする。
LinkNetは最高パフォーマンスモデルで、続いてU-Net++とU-Netが続く一方、FPNとDeepLabv3+は最悪の結果を示した。
論文 参考訳（メタデータ） (2023-12-14T09:49:15Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法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） (2023-02-17T18:18:27Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z)
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。