論文の概要: Benchmarking Deep Learning Models for Dense Event Classification of Offshore Wind Infrastructure in Sentinel-1 Time Series
- arxiv url: http://arxiv.org/abs/2608.04706v1
- Date: Wed, 05 Aug 2026 11:17:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.837592
- Title: Benchmarking Deep Learning Models for Dense Event Classification of Offshore Wind Infrastructure in Sentinel-1 Time Series
- Title（参考訳）: センチネル1時系列における沖風基盤の高密度事象分類のための深層学習モデルのベンチマーク
- Authors: Thorsten Hoeser, Felix Bachofer, Claudia Kuenzer,
- Abstract要約: 本研究では,Sentinel-1をベースとしたオフショア風力インフラ時系列の高密度分類のための10種類の深層学習モデル学習モデルの比較を行った。
このうち、監督されたBiLSTMは、AUCスコアを0.7853から0.8509に引き上げ、完全一致率は0.3508から0.5063に引き上げる。
これらの改良されたラベルを用いて、各タービンのグローバルスケールでの展開フェーズを分離し、地域別および地域別分析を行う。
- 参考スコア（独自算出の注目度）: 0.3823356975862005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring of offshore wind energy infrastructure life cycles, especially during the deployment phase, is an important contribution for stakeholders to make informed decisions in a phase of increasing deployment activities. ESA's Sentinel-1 Synthetic Aperture Radar (SAR) mission produces large data archives that enable the global monitoring of offshore wind infrastructure. Turning these high-volume archives into information requires algorithms that automatically extract single event labels from dense time series at a global scale. In this study, we present a structured comparison of ten deep learning model-training variants for the dense classification of Sentinel-1 based offshore wind infrastructure time series, aiming to advance rule-based event classification of this task. We trained LSTM, Transformer, and fully connected model variants with monotemporal, unidirectional, and bidirectional context awareness, each with and without self-supervised pretraining. Among these, the supervised BiLSTM performs best, raising the target AUC score from 0.7853 for the rule-based baseline to 0.8509, and the perfect match rate from 0.3508 to 0.5063. Combining the BiLSTM predictions with the existing baseline labels in a label-transition-minimising ensemble further improves agreement with the test data. Using these improved labels, we isolate the deployment phase of individual turbines at a global scale and conduct a regional and subregional analysis covering 2016-01-01 to 2025-03-31, reporting median deployment durations of 84 d (China), 242 d (EU), and 258 d (UK). Deployment-related drivers, including legal regulations such as subsidies, and environmental conditions, emerge clearly from the analysed results across multiple spatial scales.
- Abstract（参考訳）: オフショア風力エネルギーインフラのライフサイクルのモニタリングは、特に展開段階において、展開活動の増加段階において、ステークホルダーが情報的な決定を行う上で重要な貢献である。
ESAのSentinel-1 Synthetic Aperture Radar (SAR)ミッションは、オフショア風力インフラのグローバルな監視を可能にする大規模なデータアーカイブを生成する。
大量のアーカイブを情報に変えるには、グローバルスケールで高密度の時系列から単一のイベントラベルを自動的に抽出するアルゴリズムが必要である。
本研究では,Sentinel-1をベースとしたオフショア風力インフラ時系列の高密度分類のための10種類の深層学習モデル学習モデルの構造化比較を行い,この課題のルールベースイベント分類を推し進めることを目的とした。
LSTM, Transformer, and fully connected model variants with monotemporal, oneidirectional, bidirectional context awareness each and without self-supervised pretraining。
このうち、監督されたBiLSTMは、AUCスコアを0.7853から0.8509に引き上げ、完全一致率は0.3508から0.5063に引き上げる。
BiLSTM予測と既存のベースラインラベルをラベル遷移最小アンサンブルで組み合わせることで、テストデータとの一致をさらに改善する。
これらの改良されたラベルを用いて、各タービンのグローバルスケールでの展開フェーズを分離し、2016-01-01から2025-03-31の地域別および地域別分析を行い、84d(中国)、242d(EU)、258d(イギリス)の展開期間を報告した。
補助金などの法的規制や環境条件を含む展開関連ドライバは、複数の空間スケールにわたる分析結果から明らかに現れます。
関連論文リスト
- 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) - Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series [0.3823356975862005]
我々は2016Q1から2025Q1までのオフショア風力インフラの展開と運用フェーズを解消するグローバルなセンチネル-1合成開口レーダ(SAR)時系列データコーパスを導入する。
更新されたオブジェクト検出ワークフローに基づいて、検出されたインフラストラクチャロケーションで15,606の時系列をコンパイルし、解析可能な1D SARバックスキャッタプロファイルとして14,840,637のイベントを総括する。
得られたコーパスは, 展開動態のグローバルな解析, 地域展開パターンの違いの同定, 船舶の相互作用, 運用イベントを支援する。
論文 参考訳（メタデータ） (2026-04-22T17:47:33Z) - CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。
大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。
また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
論文 参考訳（メタデータ） (2026-03-12T14:52:35Z) - AIFL: A Global Daily Streamflow Forecasting Model Using Deterministic LSTM Pre-trained on ERA5-Land and Fine-tuned on IFS [0.39918810815847444]
本稿では,グローバルな日次ストリームフロー予測のための決定論的LSTMモデルであるAIFL(Artificial Intelligence for Floods)を紹介する。
CARAVANデータセットから算出された18,588の盆地で訓練されている。
ベンチマークの結果は、AIFLが現在の最先端のグローバルシステムと非常に競合していることを示している。
論文 参考訳（メタデータ） (2026-02-18T16:26:36Z) - Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。
提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。
実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文 参考訳（メタデータ） (2026-01-29T15:58:07Z) - Democratizing planetary-scale analysis: An ultra-lightweight Earth embedding database for accurate and flexible global land monitoring [19.019853798955513]
ESDは、2000年から2024年までの25年間にわたる、超軽量で30mの地球埋め込みデータベースである。
データセットは、生のアーカイブと比較してデータボリュームが340倍に減少する。
頑丈な数発の学習能力と長手一貫性により、ESDは惑星スケールの研究を民主化するための汎用的な基盤を提供する。
論文 参考訳（メタデータ） (2026-01-16T10:59:43Z) - A multimodal Transformer for InSAR-based ground deformation forecasting with cross-site generalization across Europe [3.3295066998131637]
EGMS時系列からの変位マップの1段階, 固定区間次エポシック・コンポーティングのためのパッチベースの変換器を提案する。
このモデルは、トレーニングウィンドウからのみリークセーフな方法で計算された静的運動指標(平均速度、加速度、季節振幅)とともに、最近の変位スナップショットを取り込みます。
一方、STGCNはCNN-LSTM、CNN-LSTM+Attn、Multimodal STGCNよりも明らかに優れている。
論文 参考訳（メタデータ） (2025-12-30T00:07:36Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - Offshore Wind Plant Instance Segmentation Using Sentinel-1 Time Series,
GIS, and Semantic Segmentation Models [0.3413711585591077]
本研究は,セマンティックセグメンテーションモデルとSentinel-1時系列を用いて,インスタンスレベルでオフショア風力プラントを検出することを目的とする。
LinkNetは最高パフォーマンスモデルで、続いてU-Net++とU-Netが続く一方、FPNとDeepLabv3+は最悪の結果を示した。
論文 参考訳（メタデータ） (2023-12-14T09:49:15Z)
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。