論文の概要: Deep Learning for Soil Moisture Estimation: Fusing Satellite Data with Optimally-Lagged Meteorological Features

• arxiv url: http://arxiv.org/abs/2606.21475v1
• Date: Fri, 19 Jun 2026 14:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:10:55.380362
• Title: Deep Learning for Soil Moisture Estimation: Fusing Satellite Data with Optimally-Lagged Meteorological Features
• Title（参考訳）: 土壌水分推定のための深層学習:最適な気象特性を持つ衛星データを用いて
• Authors: Adrian Canovas-Rodriguez, Aurora González Vidal, Antonio F. Skarmeta,
• Abstract要約: 本研究では,気象変数と土壌水分との時間差を最適に決定するクロス相関関数 (CCF) 法を提案する。 このアプローチはスペイン南東部の7つの農業区画で実証された。
• 参考スコア（独自算出の注目度）: 3.746889836344766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate soil moisture estimation in semi-arid agricultural regions requires integrating remote sensing and meteorological information while accounting for the delayed response of soil moisture to atmospheric forcing. This study introduces a Cross-Correlation Function (CCF) methodology to determine optimal temporal lags (0-30 days) between meteorological variables and soil moisture, as well as inter-depth lags (0-15 days) describing vertical moisture propagation from the surface (10 cm) to deeper layers (20-50 cm). The approach was validated across seven agricultural plots in southeastern Spain. Three deep learning architectures, each targeting a distinct prediction granularity, were evaluated under five feature configurations ranging from satellite-only to full satellite-meteorology-depth fusion: a CNN for per-pixel estimation within each plot, an LSTM for frame-level (daily plot-mean) prediction, and a CNN-LSTM hybrid operating on sliding windows with pooled multi-patch training. Models were assessed on held-out data to measure genuine generalisation. Meteorological variables improved performance over the satellite-only baseline, while subsurface depth information proved decisive across all architectures. The per-pixel CNN achieved the strongest single-patch result (R^2 = 0.877, RMSE = 2.28), with a seven-patch average R^2 of 0.535, representing an improvement of +1.00 over the satellite-only baseline. The pooled CNN-LSTM hybrid obtained the highest overall performance (R^2 = 0.930, CVRMSE = 8.0%). These results demonstrate that explicitly modelling atmospheric and vertical subsurface delays substantially improves soil moisture estimation for precision agriculture.
• Abstract（参考訳）: 半乾燥農業地域での土壌水分の正確な推定には、大気圧に対する土壌水分の応答の遅れを考慮しつつ、リモートセンシングと気象情報を統合する必要がある。 本研究では,気象変数と土壌水分の時間的最適ラグ (0-30日) を決定するクロス相関関数 (CCF) 法と,地表 (10 cm) から深層 (20-50 cm) への垂直湿潤伝播を記述する深層間ラグ (0-15日) 法を提案する。 このアプローチはスペイン南東部の7つの農業区画で実証された。 異なる予測粒度を目標とした3つのディープラーニングアーキテクチャを,各プロット内の画素単位推定用CNN,フレームレベル(日次プロット平均)予測用LSTM,プール付きマルチパッチトレーニング付きスライディングウインドウで動作するCNN-LSTMの5つの機能構成で評価した。 モデルは、真の一般化を測定するために、保持されたデータに基づいて評価された。 気象学的変数は衛星のみのベースラインよりも性能が向上し、地下深度情報は全てのアーキテクチャで決定的であった。 ピクセル当たりのCNNは、R^2 = 0.877, RMSE = 2.28) で7パッチ平均のR^2 0.535を達成し、衛星のみのベースラインよりも+1.00向上した。 The pooled CNN-LSTM hybrid obtained the highest overall performance (R^2 = 0.930, CVRMSE = 8.0%)。 これらの結果から, 大気および垂直の地下遅延を明示的にモデル化することで, 精密農業における土壌水分推定が大幅に向上することが示唆された。

関連論文リスト

• A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity [0.0]
  本研究は,中国重慶市の大気温度と相対湿度を予測する機械学習モデル7つを比較した。 XGBoostは、テスト平均絶対誤差(MAE)が0.302Cで、相対湿度が1.271%である。
  論文  参考訳（メタデータ） (2026-03-24T14:47:52Z)
• Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation [0.9674544640949528]
  ヨーロッパ全域の植生地帯を対象とした高分解能(10m)土壌水分推定フレームワークを提案する。 空間的クロスバリデーションを用いて時間的パラメータ化とモダリティの組み合わせを比較し、地理的一般化を確実にする。 また,IBM-NASAのPrithviモデルからの基盤モデル埋め込みが従来の手作りのスペクトル特性よりも優れているかを評価する。
  論文  参考訳（メタデータ） (2026-02-20T09:17:12Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• A Machine Learning Data Fusion Model for Soil Moisture Retrieval [0.6675805308519986]
  深層学習に基づく畳み込み回帰モデルを構築し, 上部5cmの土壌の体積含水率を推定する。 入力予測器には、Sentinel-1(アクティブレーダ)、Sentinel-2(光学画像)、SMAP(パッシブレーダ)がある。
  論文  参考訳（メタデータ） (2022-06-20T08:55:42Z)

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。