論文の概要: Remote sensing data imputation using deep learning for multispectral imagery
- arxiv url: http://arxiv.org/abs/2605.24003v1
- Date: Tue, 19 May 2026 05:31:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.458283
- Title: Remote sensing data imputation using deep learning for multispectral imagery
- Title（参考訳）: 深層学習を用いたマルチスペクトル画像のリモートセンシングデータ計算
- Authors: Shuang Liua, Fiona Johnson, Rohitash Chandra,
- Abstract要約: 光衛星データを使用する際の一般的な課題は、雲の覆いによる観測不足の存在である。
本研究では,従来のデータ計算手法と深層学習モデルを比較し,スペクトル帯域の欠落を再現する。
以上の結果から,PlanetScope SuperDove画像の欠落データに対する深層学習モデルの有効性が示唆された。
- 参考スコア（独自算出の注目度）: 3.503370263836711
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Remote sensing techniques have been increasingly utilised in aquatic applications in recent years. A common challenge in using optical satellite data is the presence of missing observations due to cloud cover. These data gaps can lead to missed detection of critical events, such as algal blooms, in lakes of high interest to water authorities. As a result, enhancing the completeness of optical satellite datasets is crucial for improving the monitoring and prediction of algal blooms. In this study, we compared a traditional data imputation method (i.e., linear interpolation) with deep learning models for reconstructing missing spectral bands across four lakes with historical records of algal blooms. The deep learning models adopted include CNN-based architectures (i.e., CNN, Inception Resnet, and Autoencoder) and CNN-LSTM-based architectures (i.e., CNN-LSTM, Resnet-LSTM, and Autoencoder-LSTM). Our results demonstrated that deep learning models substantially outperformed the baseline linear interpolation method in imputing spectral band values within artificially masked regions. Among these models, CNN delivered the best performance across most lakes. Furthermore, we evaluated the performance of algal bloom indices (i.e., Green/Red and NDCI) derived from the imputed imagery by comparing them with the observed data. Our results demonstrate that deep learning models are effective for imputing missing data in PlanetScope SuperDove imagery, enabling more reliable applications in water monitoring.
- Abstract（参考訳）: 近年, リモートセンシング技術が水族生物の応用に利用されてきている。
光衛星データを使用する際の一般的な課題は、雲の覆いによる観測不足の存在である。
これらのデータギャップは、水当局に高い関心を持つ湖で、藻類のような重要な出来事を見逃す可能性がある。
その結果,光学衛星データセットの完全性の向上は藻類の開花のモニタリングと予測の改善に不可欠である。
本研究では, 従来のデータ計算手法(線形補間法)と深層学習モデルを比較し, 4つの湖にまたがるスペクトル帯域の再構築と, 藻類の花の歴史的記録を比較した。
ディープラーニングモデルには、CNNベースのアーキテクチャ(CNN、Inception Resnet、Autoencoder)とCNN-LSTMベースのアーキテクチャ(CNN-LSTM、Resnet-LSTM、Autoencoder-LSTM)が含まれる。
以上の結果から, 深層学習モデルは, 人工マスク領域におけるスペクトル帯域値の計算において, ベースライン線形補間法よりも大幅に優れていた。
これらのモデルの中で、CNNは多くの湖で最高のパフォーマンスを実現した。
さらに, インプット画像から得られた藻類開花指標(緑/赤, NDCI)の性能を, 観測データと比較して評価した。
以上の結果から,PlanetScope SuperDove画像に欠落したデータを出力する深層学習モデルの有効性が示唆された。
関連論文リスト
- Utilizing a Novel Deep Learning Method for Scene Categorization in Remote Sensing Data [0.0]
このファイルは、リモートセンシングデータにおけるシーンのタイプのためのCuttlefish Optimized Bidirectional Recurrent Neural Network(CO-BRNN)と呼ばれる革新的な技術を紹介する。
調査では,CO-BRNNを,多層パーセプトロン・畳み込みニューラルネットワーク(MLP-CNN),畳み込みニューラルネットワーク・ロング短期記憶(CNN-LSTM),長短期記憶・畳み込みランダムフィールド(LSTM-CRF),グラフベース(GB),マルチラベル画像検索モデル(MIRM-CF),畳み込みなど,現在の技術と比較した。
論文 参考訳（メタデータ） (2025-06-28T16:12:28Z) - 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) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。
光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。
本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
論文 参考訳（メタデータ） (2024-06-18T21:09:56Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳（メタデータ） (2023-05-02T18:06:21Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - A Novel Approach For Analysis of Distributed Acoustic Sensing System
Based on Deep Transfer Learning [0.0]
畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。
LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。
我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
論文 参考訳（メタデータ） (2022-06-24T19:56:01Z) - ChiNet: Deep Recurrent Convolutional Learning for Multimodal Spacecraft
Pose Estimation [3.964047152162558]
本稿では,ランデブーシーケンスからの時間情報を組み込んで,宇宙船の相対的な姿勢を推定する革新的な深層学習パイプラインを提案する。
畳み込みニューラルネットワーク(CNN)バックボーンによって抽出された特徴の処理のために、データのシーケンスをモデル化する上で、LSTM(Long Short-term memory)ユニットのパフォーマンスを活用する。
3つの異なるトレーニング戦略が組み合わさって、特徴学習を容易にし、回帰によるエンドツーエンドのポーズ推定を改善する。
論文 参考訳（メタデータ） (2021-08-23T16:48:58Z) - Wireless Sensing With Deep Spectrogram Network and Primitive Based
Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。
現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。
本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文 参考訳（メタデータ） (2021-04-21T06:33:01Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z)
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。