論文の概要: Densification and forecasting of Sentinel-2 time series from multimodal SAR and Optical satellite data using deep generative models

• arxiv url: http://arxiv.org/abs/2605.04239v1
• Date: Tue, 05 May 2026 19:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.510831
• Title: Densification and forecasting of Sentinel-2 time series from multimodal SAR and Optical satellite data using deep generative models
• Title（参考訳）: 深部生成モデルを用いたマルチモーダルSARおよび光衛星データからのSentinel-2時系列の密度化と予測
• Authors: Véronique Defonte, Dawa Derksen, Alexandre Constantin, Bastien Nespoulous,
• Abstract要約: 衛星画像時系列の時間的密度化と再構成に焦点が当てられている。 本研究では,Sentinel-2時系列の密度化と予測のための確率論的ディープラーニングフレームワークを提案する。 既存のほとんどの作品とは異なり、生成した画像の不確実性に焦点を当てることを提案する。
• 参考スコア（独自算出の注目度）: 40.97723509882159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical satellite image time series are extensively used in many Earth observation applications, including agriculture, climate monitoring, and land surface analysis. However, clouds and swath edges result in irregular sampling along the temporal dimension, limiting continuous monitoring. To address this issue, a growing body of work has focused on temporal densification and reconstruction of satellite image time series, with the objective of filling missing or cloud-contaminated observations within the temporal extent of the available data. While these approaches improve temporal continuity, they are inherently restricted to the reconstruction of the gaps within the observed time periods, and do not address the prediction of future observations. This work proposes a probabilistic deep learning framework for the densification and forecasting of Sentinel-2 time series by generating optical images at arbitrary past or future dates. The approach leverages multimodal satellite data by jointly exploiting Sentinel-2 optical and Sentinel-1 SAR observations. Unlike most existing works, we propose to focus on the uncertainty of the generated images. Experimental results demonstrate effective densification and forecasting, on sparse and temporally misaligned time series.
• Abstract（参考訳）: 光衛星画像時系列は、農業、気候モニタリング、土地表面分析など、多くの地球観測アプリケーションで広く利用されている。 しかし、雲とスワストエッジは時間次元に沿って不規則にサンプリングされ、継続的な監視が制限される。 この問題に対処するため、衛星画像時系列の時間的密度化と再構成に焦点が当てられ、利用可能なデータの時間的範囲内で雲に汚染された観測を埋めることを目的としている。 これらのアプローチは時間的連続性を改善するが、それらは本質的に観測期間内のギャップの再構築に制限されており、将来の観測の予測には対処しない。 本研究では,任意の過去や将来日時で光学画像を生成することにより,Sentinel-2時系列の密度化と予測のための確率論的ディープラーニングフレームワークを提案する。 このアプローチは、Sentinel-2光とSentinel-1 SAR観測を併用することで、マルチモーダル衛星データを活用する。 既存のほとんどの作品とは異なり、生成した画像の不確実性に焦点を当てることを提案する。 実験結果から, スパースおよび時間的不整合時系列において, 有効密度化と予測が得られた。

関連論文リスト

• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• 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)
• Prediction of Sentinel-2 multi-band imagery with attention BiLSTM for continuous earth surface monitoring [0.0]
  本研究では,マルチバンド画像の予測を行うBidirectional Long Short-Term Memory (BiLSTM) ネットワークを用いたフレームワークを提案する。 当社のモデルでは,ユーザ定義の日時に基づいて,クラウドカバーを特徴とする将来の日時や期間など,ターゲット画像の予測を行うことができる。
  論文  参考訳（メタデータ） (2024-06-30T21:07:11Z)
• Cloud gap-filling with deep learning for improved grassland monitoring [2.9272689981427407]
  本研究では,クラウドフリー光(Sentinel-2)観測と気象非依存(Sentinel-1)レーダデータを統合する,革新的なディープラーニング手法を提案する。 提案手法では,CNNとリカレントニューラルネットワーク(RNN)を組み合わせたハイブリッドアーキテクチャを用いて連続NDVI時系列を生成する。 我々は,生成したNDVI時系列がモーイングイベント検出の下流タスクに与える影響を評価することにより,観測継続性の重要性を示す。
  論文  参考訳（メタデータ） (2024-03-14T16:41:26Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Meteorological Satellite Images Prediction Based on Deep Multi-scales Extrapolation Fusion [5.125401106179782]
  気象衛星画像の正確な予測は特に2時間先まで予測することが重要である。 本稿では,現在予測されている問題に対処するため,深層多スケール核融合法を提案する。 FY-4A気象衛星データに基づく実験により,提案手法が現実的な予測画像を生成することを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:00:17Z)
• Predicting Landsat Reflectance with Deep Generative Fusion [2.867517731896504]
  公共の衛星ミッションは一般に、空間分解能と時間分解能のトレードオフに結びついている。 これにより、植生の監視や人道的行動を支援する能力が損なわれる。 空間的・時間的特性の異なる製品を融合させて高解像度の光学画像を生成するための深部生成モデルの可能性を探る。
  論文  参考訳（メタデータ） (2020-11-09T21:06:04Z)

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。