論文の概要: Reconstructing Multi-Decadal Forest Disturbances: A Spatio-Temporal Transformer Approach

• arxiv url: http://arxiv.org/abs/2606.07249v1
• Date: Fri, 05 Jun 2026 13:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.751032
• Title: Reconstructing Multi-Decadal Forest Disturbances: A Spatio-Temporal Transformer Approach
• Title（参考訳）: 多日周期森林破壊の再建--時空間変圧器によるアプローチ
• Authors: Linus Scheibenreif, Anton Raichuk, Maxim Neumann,
• Abstract要約: 米国中を横断する森林破壊の38年間(1984-2022年)をマッピングする枠組みを提示する。 視覚変換器のアーキテクチャを活用することで,弱い監視信号から雑音を効果的にフィルタする。 本手法は,一貫した森林モニタリングのための有望な基盤を提供する。
• 参考スコア（独自算出の注目度）: 5.518551921886323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate monitoring of forest disturbances is essential for understanding carbon dynamics and land management, yet traditional approaches typically rely on pixel-wise analysis of satellite time-series, ignoring spatial context. We present a deep learning framework that maps 38 years (1984-2022) of forest disturbance across the contiguous United States by modeling temporal trajectories and spatial neighborhoods simultaneously. By leveraging a vision transformer architecture, our approach effectively filters noise from weak supervision signals to produce spatially coherent disturbance maps. We perform exhaustive evaluations across multiple satellites (Landsat, Sentinel-1, Sentinel-2) and temporal windows (38 years and the more recent 6 years), validating performance against a novel, manually annotated validation dataset (n=300) and independent fire perimeter dataset (n=706). The results highlight the complexity of the task: while our spatio-temporal model demonstrates high precision (up to 98.2% for +-1 year detection on MTBS and up to 71.3% on the CONUS validation datasets, with F1-scores up to 75.8% and 47.3%, respectively) and effectively reduces spatial artifacts, it exhibits performance trade-offs across different disturbance regimes compared to pixel-wise baselines. Our method offers a promising foundation for consistent forest monitoring.
• Abstract（参考訳）: 森林障害の正確なモニタリングは、炭素動態と土地管理を理解するのに不可欠であるが、伝統的なアプローチは一般的に、衛星時系列のピクセルワイズ分析に依存し、空間的文脈を無視している。 本研究は,アメリカ大陸を横断する森林乱れの38年間(1984-2022年)を時間的軌跡と空間的近傍を同時にモデル化した深層学習フレームワークを提案する。 視覚変換器のアーキテクチャを利用して、弱い監視信号からノイズを効果的にフィルタリングし、空間的に一貫性のある外乱マップを生成する。 我々は,複数の衛星(Landsat,Sentinel-1,Sentinel-2)と時間窓(38年,最近では6年)の総合的な評価を行い,新規で手動で注釈付き検証データセット(n=300)と独立した火災周辺データセット(n=706)に対する性能評価を行った。 我々の時空間モデルは高い精度(MTBSで98.2%、CONUS検証データセットで71.3%、F1スコアで75.8%、47.3%)を示し、空間的アーティファクトを効果的に削減するが、画素単位のベースラインと比較して、異なる乱射規則間のパフォーマンストレードオフを示す。 本手法は,一貫した森林モニタリングのための有望な基盤を提供する。

関連論文リスト

• Automated Segmentation and Tracking of Group Housed Pigs Using Foundation Models [0.23915781021862328]
  ファンデーションモデル(FM)は、タスク固有の教師あり学習への依存を減らすことでコンピュータビジョンを再構築している。 本研究は,群飼養豚の自動モニタリングのためのFM中心ワークフローを提案する。
  論文  参考訳（メタデータ） (2026-04-03T19:50:08Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
  我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。 提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。 実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
  論文  参考訳（メタデータ） (2026-01-29T15:58:07Z)
• FORMSpoT: A Decade of Tree-Level, Country-Scale Forest Monitoring [40.631100826517375]
  森林キャノピーの高さを1.5mの解像度で全国で10年(2014-2024年)にわたってマッピングしたFOMSpoT(Forest Mapping with SPOT Time series)を紹介した。 異種買収におけるロバストな変更検出を可能にするため、我々は専用の後処理パイプラインを開発した。 乱れが小さく空間的に断片化された山岳林では、FOMSpoT-$$はF1スコアが0.44で、既存のベンチマークよりも桁違いに高い。
  論文  参考訳（メタデータ） (2025-12-18T19:35:09Z)
• SceneMixer: Exploring Convolutional Mixing Networks for Remote Sensing Scene Classification [10.667165962654996]
  本稿では,畳み込みミキサーのパラダイムに基づく軽量アーキテクチャを提案する。 AIDおよびEuroSATベンチマークで実験を行った。 提案したモデルでは、AIDデータセットでは74.7%、74.57%、73.79、EuroSATでは93.90%、93.93%、93.22の総合精度が達成された。
  論文  参考訳（メタデータ） (2025-12-07T15:07:57Z)
• 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)
• An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense Vegetation [3.6394530599964026]
  ドローンの群れは、密集した目標を事実上検出し、追跡することができることを示す。 6機のドローンによる実生活実験で、平均位置精度は0.39m、平均精度は93.2%に達した。 合成開口画像統合プロセスにセンサノイズを効果的に組み込むことができることを示す。
  論文  参考訳（メタデータ） (2024-07-15T14:31:21Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• 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)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)

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。