論文の概要: HLS-GPT: A Generative Pretrained Transformer (GPT) for Continental-Scale NASA Harmonized Landsat and Sentinel-2 (HLS) Reflectance Reconstruction Across All Bands on Arbitrary Dates

• arxiv url: http://arxiv.org/abs/2606.18115v1
• Date: Tue, 16 Jun 2026 16:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.54222
• Title: HLS-GPT: A Generative Pretrained Transformer (GPT) for Continental-Scale NASA Harmonized Landsat and Sentinel-2 (HLS) Reflectance Reconstruction Across All Bands on Arbitrary Dates
• Title（参考訳）: HLS-GPT: 大陸規模のNASA高調波ランドサットとHLS(Sentinel-2)リフレクタンス再構成のための汎用事前学習トランス(GPT: Generative Pretrained Transformer)
• Authors: Junjie Li, Hankui K. Zhang, David P. Roy,
• Abstract要約: 本研究では,ランドサット・センチネル-230m表面反射率を復元するための大規模生成事前学習トランスモデルであるHLS-GPTを提案する。 このモデルは、全米の0.25万画素以上のトレーニングピクセルから、9年間のHLSタイムシリーズで訓練された。 62,000画素以上の独立試験画素を用いた評価は, 多様な土地表面条件下での堅牢な再構成を示す。
• 参考スコア（独自算出の注目度）: 6.697936309118057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent deep learning methods for Landsat and Sentinel-2 reflectance time series reconstruction remain limited by restricted spectral coverage, limited geographic scalability, or patch-based designs with short temporal contexts. We present HLS-GPT, a large-scale generative pretrained Transformer model for reconstructing NASA Harmonized Landsat Sentinel-2 30 m surface reflectance for all bands, any date, and any pixel location. HLS-GPT uses a hierarchical Transformer architecture to handle the different spectral band configurations of Landsat and Sentinel-2 and operates on single-pixel 12-month time series. To capture geographic and seasonal variability, the model was trained with nine years of HLS time series from more than 0.25 million training pixels across the conterminous United States. A random cropping and masking strategy extracts 12-month periods with varying start dates across epochs, masks 50% of valid observations, and trains the model to reconstruct the masked reflectance values from the remaining observations. Evaluation using more than 62,000 independent test pixels shows robust reconstruction under diverse land surface conditions, including complex crop phenology and sparse, irregular observations. Leave-one-observation-out evaluation achieved reconstruction RMSE below 0.026 for all HLS spectral bands, with relative RMSE below 35% for visible bands and below 13% for other bands. Red-edge band errors were comparable to red and near-infrared errors despite the absence of red-edge bands on Landsat. Sensitivity analyses that randomly masked 10% to 90% of test observations showed only modest degradation when 10% to 50% of observations were masked, with all-band RMSE below 0.028. Image reconstruction over nine independent 109 by 109 km CONUS HLS tiles further demonstrates that HLS-GPT outperforms two conventional methods and the NASA-IBM Prithvi model.
• Abstract（参考訳）: ランドサットとセンチネル2の反射率時系列再構成のための最近のディープラーニング手法は、スペクトル範囲の制限、地理的スケーラビリティの制限、短時間の時間的コンテキストを持つパッチベースの設計によって制限されている。 我々は、NASA Harmonized Landsat Sentinel-2 30 m Surface Reflectance for all bands, any date and any pixel location。 HLS-GPTは、LandsatとSentinel-2の異なるスペクトルバンド構成を扱うために階層トランスフォーマーアーキテクチャを使用し、シングルピクセルの12ヶ月の時系列で動作する。 地理的および季節的な変動を捉えるため、このモデルは、アメリカ合衆国全土の0.25万画素以上のトレーニングピクセルから、9年間のHLSタイムシリーズで訓練された。 ランダムな収穫とマスキングの戦略は、エポックの開始日が異なる12ヶ月の期間を抽出し、有効な観測の50%をマスクにし、残りの観測からマスク付き反射率値を再構築するようモデルを訓練する。 62,000個以上の独立したテストピクセルを用いた評価は、複雑な作物の表現学や不規則な観察を含む、多様な土地表面条件下での堅牢な再構築を示している。 可視光帯域では相対RMSEが35%以下,他の帯域では13%以下であった。 レッドエッジのバンドエラーは、ランドサットにレッドエッジのバンドがないにもかかわらず、赤と近赤外線のエラーに匹敵するものであった。 試験観察の10%から90%をランダムにマスクした感度分析では、10%から50%がマスクされたとき、全帯域RMSEが0.028未満で、わずかに劣化した。 9つの独立した109×109km CONUS HLSタイルによる画像再構成により、HLS-GPTは2つの従来の手法とNASA-IBM Prithviモデルより優れていることが証明された。

関連論文リスト

• Reconstructing Multi-Decadal Forest Disturbances: A Spatio-Temporal Transformer Approach [5.518551921886323]
  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。
  論文  参考訳（メタデータ） (2026-06-05T13:20:49Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• SFP: Real-World Scene Recovery Using Spatial and Frequency Priors [84.27251794411673]
  シーンリカバリは様々なコンピュータビジョンアプリケーションにとって重要なタスクである。 本研究では,現実のシーンを再現するための空間的・周波数的優先度(SFP)を提案する。
  論文  参考訳（メタデータ） (2025-12-09T05:24:25Z)
• TESSERA: Precomputed FAIR Global Pixel Embeddings for Earth Representation and Analysis [0.0]
  本稿では,EO時系列の画素指向基礎モデルであるTESSERAを提案する。 128次元の潜伏埋め込みを生成し、タスク固有のトレーニングのためにラベルを数個だけ必要とします。 使いやすさ、スケール、正確さは前例がない。
  論文  参考訳（メタデータ） (2025-06-25T12:46:26Z)
• 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)
• Variational diffusion transformers for conditional sampling of supernovae spectra [49.1574468325115]
  本報告では,光曲線観測に基づく拡散モデルであるDiTSNe-Iaを導入し,SNe Iaのスペクトルの多様性を再現する訓練を行った。 放射光伝達シミュレーションによる現実的な光曲線とスペクトルの実験において、DiTSNe-Iaは広く使用されているSALT3テンプレートよりもはるかに正確な再構成を行う。
  論文  参考訳（メタデータ） (2025-05-05T22:52:32Z)
• 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)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• Sub-token ViT Embedding via Stochastic Resonance Transformers [51.12001699637727]
  Vision Transformer (ViT) アーキテクチャは、画像を高次元のベクトル化トークンの集合として表現し、それぞれが長方形の非重複パッチに対応する。 我々は「確率共鳴」にインスパイアされた無訓練法を提案する。 結果として得られるSRT(Stochastic Resonance Transformer)は、元の表現のリッチな意味情報を保持するが、空間的トークン化の粗い効果を軽減し、より微細な空間領域に基盤を置いている。
  論文  参考訳（メタデータ） (2023-10-06T01:53:27Z)

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。