論文の概要: ROSA-TFormer: A Radar-Optical Sensor-Aware Temporal Transformer for Pinus sylvestris Plantation Classification in Northern Shaanxi Using GEE-Derived Sentinel-1/2 Time Series

• arxiv url: http://arxiv.org/abs/2606.19204v1
• Date: Wed, 17 Jun 2026 15:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.249137
• Title: ROSA-TFormer: A Radar-Optical Sensor-Aware Temporal Transformer for Pinus sylvestris Plantation Classification in Northern Shaanxi Using GEE-Derived Sentinel-1/2 Time Series
• Title（参考訳）: ROSA-TFormer:GEE-Derived Sentinel-1/2 Time Series を用いた北沙西における梅毒栽培分類のための放射光センサ対応テンポ変換器
• Authors: Nengbo Zhang, Chang sheng,
• Abstract要約: 本稿では,P. sylvestris分類のためのレーダ光センサ対応時間変換器ROSA-TFormerを提案する。 月間および半ヶ月のポイントレベルのデータセットの実験では、ROSA-TFormerが強い分類性能を達成することが示されている。
• 参考スコア（独自算出の注目度）: 0.11458853556386796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of Pinus sylvestris var. mongolica plantations is important for monitoring afforestation quality and ecological restoration in northern Shaanxi. This paper proposes ROSA-TFormer, a radar-optical sensor-aware temporal Transformer for P. sylvestris classification using Sentinel-1/2 time-series data generated on Google Earth Engine. The model integrates separate SAR and optical embedding branches, a sensor-aware gate, and temporal attention pooling to capture multi-source seasonal features. Experiments on monthly and half-month point-level datasets show that ROSA-TFormer achieves strong classification performance, with 99.67% overall accuracy, 99.56% macro F1, and 98.91% P. sylvestris F1 on the HalfMonth-dataBig dataset. Spatial block validation and ablation results further indicate the effectiveness of radar-optical temporal fusion and sensor-aware modeling. The results demonstrate the potential of ROSA-TFormer for point-level P. sylvestris plantation classification, while broader wall-to-wall validation remains necessary.
• Abstract（参考訳）: Pinus sylvestris varの正確な同定 モンゴリカのプランテーションは、シャアンチ北部の森林の質と生態系の回復を監視するために重要である。 本稿では、Google Earth Engine上で生成されたSentinel-1/2時系列データを用いて、P. sylvestris分類のためのレーダ光センサ対応時間変換器ROSA-TFormerを提案する。 モデルは、SARと光埋め込みブランチ、センサー対応ゲート、時間的アテンションプールを統合して、マルチソースの季節特性をキャプチャする。 月次および半ヶ月のポイントレベルデータセットの実験では、ROSA-TFormerは、99.67%の全体的な精度、99.56%のマクロF1、98.91%のP.sylvestris F1をハーフMonth-dataBigデータセット上で、強力な分類性能を達成している。 空間的ブロック検証とアブレーションの結果は、レーダー・光学的時間融合とセンサ・アウェア・モデリングの有効性を示している。 The results showed the potential of ROSA-TFormer for point-level P. sylvestris plantation classification, while broad wall-to-wall validation。

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)
• FoMo: A Multi-Season Dataset for Robot Navigation in Forêt Montmorency [42.90420458243482]
  Fort Montmorencyデータセット(フォートモンモランシーデータセット)は、ボレア林で1年間にわたって記録された総合的なマルチシーズンデータ収集である。 FoMoデータセットには、年間12回のデプロイで繰り返される6つの多様な軌道の64km以上が含まれている。 データセットの関連性を明らかにするために,ライダー慣性,レーダージャイロ,視覚慣性局所化と季節変化へのマッピング手法の堅牢性について予備評価を行った。
  論文  参考訳（メタデータ） (2026-03-09T14:30:47Z)
• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• 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)
• A novel fusion of Sentinel-1 and Sentinel-2 with climate data for crop phenology estimation using Machine Learning [0.0]
  機械学習(ML) LightGBMモデルをトレーニングし、ドイツ全土の8大作物について、20mスケールで13の表現学的段階を予測する。 全国規模では、予測表現学はR2 > 0.43の妥当な精度と平均絶対誤差を6日間に抑えた。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• 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)
• Estimating optical vegetation indices and biophysical variables for temperate forests with Sentinel-1 SAR data using machine learning techniques: A case study for Czechia [32.19783248549554]
  森林生態系をモニタリングするための現在の光学的植生指標(VIs)は,様々な用途でよく確立され,広く利用されている。 対照的に、合成開口レーダ(SAR)のデータは、雲や昼夜の画像取得による信号の侵入により、完全な時系列(TS)を備えた洞察に富んだ、体系的な森林モニタリングを提供することができる。 本研究では、SARデータを用いて、機械学習(ML)による森林の光VIs推定の代替として光学衛星データの限界に対処することを目的とする。 一般に、SARベースのVIを高精度に推定し、年間240回測定し、空間分解能を20mまで向上することができる。
  論文  参考訳（メタデータ） (2023-11-13T18:23:46Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Fusing Optical and SAR time series for LAI gap filling with multioutput Gaussian processes [6.0122901245834015]
  農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。 SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。 本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
  論文  参考訳（メタデータ） (2020-12-05T10:36:45Z)

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。