論文の概要: Global-Scale Self-Supervised Spatiotemporal Learning for NDVI Time-Series Reconstruction

• arxiv url: http://arxiv.org/abs/2608.02322v1
• Date: Mon, 03 Aug 2026 14:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.385057
• Title: Global-Scale Self-Supervised Spatiotemporal Learning for NDVI Time-Series Reconstruction
• Title（参考訳）: NDVI時系列再構成のための大域的自己監督時空間学習
• Abstract要約: NDVI再構成のためのグローバルな自己監督型時空間フレームワークを提案する。 このフレームワークは、人工的に比較的クリーンな観測によって監視信号を構成する。 提案手法は, 植生の動態を正確に把握し, キーフェノロジー状態の把握を可能にする。
• 参考スコア（独自算出の注目度）: 9.201150739299447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient reconstruction of cloud-contaminated and noise-corrupted NDVI time series remains a challenge in remote sensing. Deep learning provides a promising solution for modeling complex spatiotemporal dependencies; however, its application is often limited by the difficulty of obtaining paired clear-sky and degraded NDVI data for identical spatiotemporal locations. To address this issue, we propose GloSSR, a Global-scale Self-supervised Spatiotemporal framework for NDVI Reconstruction. The framework constructs supervisory signals by artificially degrading relatively clean NDVI observations with realistic cloud contamination patterns, producing self-supervised training pairs that closely mimic real-world degradation. It further introduces an end-to-end spatiotemporal learning network that jointly captures long-range temporal dependencies and short-term spatiotemporal correlation through a bidirectional Transformer with a ConvLSTM architecture. A temporal-channel attention-based reconstruction module is incorporated to enhance informative features, while a spatiotemporal prior constraint is designed to preserve both fine-scale structures and long-term phenological trends during optimization. Extensive evaluations on MODIS NDVI data demonstrate the effectiveness of the proposed framework across both artificial and real-world scenarios. In artificial degraded-pixel reconstruction experiments, GloSSR consistently outperforms the comparison methods. Time-series analyses based on real observations further demonstrate that the proposed framework can accurately characterize vegetation dynamics and capture the key phenological states. Long-term vegetation trend analysis and the transferability analysis to AVHRR data validate the scalability of the framework and illustrate its broad applicability for large-scale environmental monitoring.
• Abstract（参考訳）: 雲汚染されたNDVI時系列の高精度かつ効率的な再構成は、リモートセンシングの課題である。 深層学習は、複雑な時空間依存をモデル化するための有望なソリューションを提供するが、その応用は、時空間の同じ位置において、ペア化されたクリアスキーと劣化したNDVIデータを取得することの難しさによって制限されることが多い。 この問題に対処するため,NDVI再構成のためのグローバルスケール自己監督型時空間フレームワークGloSSRを提案する。 このフレームワークは、比較的クリーンなNDVI観測を現実的な雲汚染パターンで人工的に分解し、現実世界の劣化を忠実に模倣する自己監督的なトレーニングペアを生成することで、監視信号を構成する。 さらに,ConvLSTMアーキテクチャを用いた双方向トランスフォーマーを用いて,長期の時間的依存関係と短期の時空間相関を共同でキャプチャする,エンドツーエンドの時空間学習ネットワークを導入する。 時間チャネルアテンションに基づく再構築モジュールは情報的特徴を高めるために組み込まれ、時空間事前制約は、最適化中の微細構造と長期の表現学的傾向の両方を保存するように設計されている。 MODIS NDVIデータに対する広範囲な評価は、人工シナリオと実世界のシナリオの両方で提案されたフレームワークの有効性を示す。 人工劣化画素再構成実験において、GloSSRは一貫して比較方法より優れている。 実観測に基づく時系列解析により,本フレームワークは植生の動態を正確に把握し,重要な現象を捉えることができることを示した。 長期植生トレンド分析とAVHRRデータへの転送可能性解析は,フレームワークのスケーラビリティを検証し,大規模環境モニタリングへの適用性を示した。

関連論文リスト

• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting [6.800568640042171]
  時系列予測は、金融、気象学、エネルギーといった分野において重要である。 本稿では,これらの課題に対処する動的意味圧縮(DySCo)フレームワークを提案する。 DySCoは汎用的なプラグイン・アンド・プレイモジュールとして機能し、主要なモデルが長期的相関を捉える能力を大幅に強化する。
  論文  参考訳（メタデータ） (2026-04-01T12:40:23Z)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
  長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。 既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。 我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
  論文  参考訳（メタデータ） (2026-02-24T06:12:51Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• SENDAI: A Hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework [2.070436148502153]
  SENDAIは階層的なスパース測定フレームワークであり、スパースセンサー観測から全空間状態を再構築する。 SENDAIは従来のベースラインよりも185%の最大SSIM改善を実現し、最近の高周波ベースの手法よりも36%改善した。
  論文  参考訳（メタデータ） (2026-01-29T12:58:54Z)
• OSDEnhancer: Taming Real-World Space-Time Video Super-Resolution with One-Step Diffusion [64.10689934231165]
  ビデオスーパーレゾリューションモデル(DM)は、ビデオスーパーレゾリューション(VSR)において極めて成功している。 時空ビデオスーパーレゾリューション(STVSR)の可能性は、低解像度から高解像度までのリアルな視覚コンテンツを回復する必要があるが、コヒーレントなダイナミックスでフレームレートを改善する必要がある。 提案するOSDEnhancerは,効率的なワンステップ拡散プロセスにより,実世界のSTVSRを初期化するための最初の手法である。 実験により,提案手法は実世界のシナリオにおいて優れた性能を維持しつつ,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-28T06:59:55Z)
• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。