論文の概要: Landsat-Sentinel-2 Algal Bloom Mapping Using Vision Transformers: Model Description, Implementation, and Examples

• arxiv url: http://arxiv.org/abs/2606.17242v1
• Date: Mon, 15 Jun 2026 19:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.11926
• Title: Landsat-Sentinel-2 Algal Bloom Mapping Using Vision Transformers: Model Description, Implementation, and Examples
• Title（参考訳）: Landsat-Sentinel-2 視覚変換器を用いたアルガルブルームマッピング:モデル記述,実装,例
• Authors: Thainara Lima, Vitor Martins,
• Abstract要約: 沿岸藻類の開花モニタリングには、ランドサット8/9とセンチネル2A/B/Cによって頻繁に、空間的詳細で、一貫した観測が必要である。 水生環境における彼らの使用は、スペクトル範囲が限られており、調和した反射率生成物が不足しているため、依然として困難である。 本研究では,30mLandsat-Sentinel-2画像を用いた視覚変換器を用いた沿岸藻類開花図の初成功例を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coastal algal bloom monitoring requires frequent, spatially detailed, and globally consistent observations, provided by Landsat-8/9 and Sentinel-2 A/B/C. Together, these missions offer over a decade of medium-resolution multispectral imagery with near-global coverage every 2-3 days, enabling the detection of fragmented bloom structures not resolvable by coarse ocean-color sensors. However, their use in aquatic environments remains challenging due to limited spectral coverage and a lack of harmonized reflectance products. As an alternative to traditional bio-optical methods, deep learning-based image classification offers a data-driven approach that can overcome many of these limitations. This study presents the first successful implementation of vision transformer-based coastal algal bloom mapping using 30-m Landsat-Sentinel-2 images. A globally distributed bloom patch dataset was generated across bloom-prone coastal hotspots worldwide. Four transformer-based architectures were compared against a standard convolutional baseline for fine-scale bloom detection, and assessed under different optical water types and atmospheric and surface conditions. All deep learning models showed strong capabilities in detecting floating bloom areas, with omission and commission errors of 8-65%. Under cloud and glint stress in a time series, the Swin Transformer outperformed traditional spectral-index approaches, which produced widespread false positives, effectively avoiding cloud- and glint-affected pixels. Comparisons with MODIS-derived products further highlighted the benefits of higher spatial resolution in detecting fragmented and irregularly affected blooms. Our findings support deep learning as a reliable tool for medium-resolution, consistent monitoring of floating algal blooms in dynamic coastal environments.
• Abstract（参考訳）: 沿岸藻類の開花モニタリングには、ランドサット8/9とセンチネル2A/B/Cによって頻繁に、空間的詳細で、一貫した観測が必要である。 これらのミッションは、2～3日ごとに地球に近い範囲で10年以上の高解像度のマルチスペクトル画像を提供しており、粗い海洋色センサーで分解できない破片状花序構造の検出を可能にしている。 しかし、スペクトル範囲が限られ、反射率が調和していないため、水生環境における使用は依然として困難である。 従来のバイオ光学手法の代替として、深層学習に基づく画像分類は、これらの制限の多くを克服できるデータ駆動型アプローチを提供する。 本研究では,30mLandsat-Sentinel-2画像を用いた視覚変換器を用いた沿岸藻類開花図の初成功例を示す。 世界中に分布するブルームパッチデータセットは,世界中の海岸ホットスポットに分布していた。 4つの変圧器ベースアーキテクチャを, 微細な開花検出のための標準畳み込みベースラインと比較し, 異なる光水型および大気および表面条件下で評価した。 すべての深層学習モデルでは, 浮き沈み領域の検出能力が強く, 欠落率8～65%であった。 時系列の雲とグリントストレスの下で、Swin Transformerは従来のスペクトルインデックスのアプローチよりも優れており、雲やグリントの影響のあるピクセルを効果的に回避し、広く偽陽性を発生させた。 MODIS由来の製品との比較は、断片化および不規則に影響を受ける花の検出における空間分解能の向上の利点をさらに強調した。 本研究は, 沿岸域に浮かぶ藻類を中高分解能で一貫したモニタリングを行うための信頼性の高いツールとして, 深層学習を支援した。

関連論文リスト

• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• BALTIC: A Benchmark and Cross-Domain Strategy for 3D Reconstruction Across Air and Underwater Domains Under Varying Illumination [6.8920172327690175]
  BALTIC(Baltic, BALTIC, BALTIC)は, 近代的な3次元再構成手法を中・光の変動下で評価するためのベンチマークである。 このベンチマークは、2つのメディア(空気と水)と3つの照明条件(周囲、人工、混合)にまたがる13のデータセットで構成されている。 類似の照明条件下で観測された少数の水中ビューで水中画像列を増大させることにより、ドメイン間再構築を検討する。
  論文  参考訳（メタデータ） (2026-04-21T06:32:07Z)
• Anomaly detection in satellite imagery through temporal inpainting [28.023703674946223]
  深層学習は,衛星時系列の時間的冗長性を利用して,前例のない感度で異常を検出することができることを示す。 我々はSATLAS基礎モデル上に構築された塗装モデルをトレーニングし、Sentinel-2時系列の最後のフレームを再構築する。 急激な表面変化に影響を受ける領域に適用すると、予測と観測の相違により、従来の変化検出手法が見逃す異常が明らかになる。
  論文  参考訳（メタデータ） (2025-12-30T04:58:13Z)
• S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
  RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。 既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。 本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T15:01:55Z)
• APGNet: Adaptive Prior-Guided for Underwater Camouflaged Object Detection [22.097955383220143]
  本研究では,水中環境下でカモフラージュされた物体を検出するために,APGNet(Adaptive Prior-Guided Network)を提案する。 APGNetは、ロバスト性と検出精度を高めるために、シームズアーキテクチャと新しい事前誘導機構を統合する。 提案手法は,広く用いられている評価基準の下で,15の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2025-10-14T01:51:44Z)
• 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)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)

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。