論文の概要: Deep Learning Super Resolution for Satellite Cloud Mask Downscaling
- arxiv url: http://arxiv.org/abs/2608.24715v1
- Date: Tue, 25 Aug 2026 15:34:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.065379
- Title: Deep Learning Super Resolution for Satellite Cloud Mask Downscaling
- Title（参考訳）: 衛星雲マスクダウンスケーリングのためのディープラーニング超解像
- Abstract要約: 本研究は,SEVIRIクラウドマスク製品のスケールダウンを正確に行うための2つのDeep Learning手法を提案する。
SEVMOD-CMと呼ばれる新しいクロスセンサークラウドマスクデータセットは、空間的および時間的にMODISとSEVIRIの衛星観測をマッチングすることによって作成される。
実験により,リモートセンシングコミュニティにおいて提案したモデルとデータセットの価値が示された。
- 参考スコア（独自算出の注目度）: 1.483523247491443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A vast amount of optical satellite data is being transmitted to Earth-based servers every day, and more than half of this data is affected by haze or clouds. Additionally, this data suffers from the fundamental trade-off between spatial and temporal resolution, which remains largely unresolved, making the acquisition of continuous high-resolution satellite observations of clouds an ongoing challenge. This work addresses this challenge by proposing two Deep Learning super-resolution methods for the accurate downscaling of SEVIRI cloud mask products, as well as a novel cross-sensor cloud mask dataset called SEVMOD-CM, created by spatially and temporally matching MODIS and SEVIRI satellite observations. The two proposed models are a CNN-based (SpatialCNN) and a GAN-based (SpatialGAN) Neural Network. Trained on the SEVIRI spectral and cloud mask products, the proposed methods predict the corresponding MODIS Cloud masks, achieving a 4x spatial enhancement across sensor domains. Both approaches are evaluated experimentally, and compared against the standard bicubic interpolation upsampling technique. The experimental results demonstrate the value of the proposed models and dataset for the remote sensing community, highlighting the benefits of applying super-resolution techniques to geostationary-derived cloud mask products for applications such as atmospheric monitoring, weather forecasting, disaster risk reduction, solar energy forecasting, and climate research.
- Abstract（参考訳）: 大量の光学衛星データが毎日地球上のサーバーに送信され、その半分以上が迷路や雲の影響を受けている。
さらに、このデータは、空間分解能と時間分解能の基本的なトレードオフに悩まされており、これはほとんど未解決のままであり、雲の高解像度衛星観測の継続的な取得は、現在進行中の課題である。
本研究は、SEVIRIクラウドマスク製品の正確なダウンスケーリングのための2つのDeep Learning超解法と、MODISとSEVIRI衛星観測を空間的に時間的にマッチングして作成したSEVMOD-CMと呼ばれる新しいクロスセンサークラウドマスクデータセットを提案することで、この問題に対処する。
提案する2つのモデルは、CNNベース(SpatialCNN)とGANベース(SpatialGAN)ニューラルネットワークである。
提案手法は,SEVIRIスペクトルおよびクラウドマスクに基づいて,対応するMODISクラウドマスクを予測し,センサ領域間で4倍の空間拡張を実現する。
両手法を実験的に評価し,標準バイコビック補間アップサンプリング法と比較した。
実験結果は,大気モニタリング,気象予報,災害リスク低減,太陽エネルギー予報,気候研究などの用途において,静止型クラウドマスク製品に超高分解能技術を適用することのメリットを浮き彫りにして,リモートセンシングコミュニティにおけるモデルとデータセットの価値を実証した。
関連論文リスト
- Volcanic Clouds Detection through QCNN and Geostationary Satellite Multispectral Imagery [63.84017474733142]
量子コンピューティングの最近の進歩は、地球観測(EO)データ分析の新しい可能性を開く。
これらの能力は、量子化モデルが衛星リモートセンシングにおける長年の課題に対処できるかどうかを探求する動機となった。
本研究では,火山雲を含む衛星画像の分類におけるハイブリッド量子畳み込みニューラルネットワーク(QCNN)の可能性について検討した。
論文 参考訳（メタデータ） (2026-07-29T09:01:46Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - UrbanDIFF: A Denoising Diffusion Model for Spatial Gap Filling of Urban Land Surface Temperature Under Dense Cloud Cover [0.0]
雲汚染した都市部LST画像の再構成のための空間デノナイズ拡散モデルであるUrbanDIFFを紹介する。
アーバンDIFFは2002年から2025年までの7大都市圏のNASA MODIS Terra LSTデータを用いて訓練され評価されている。
論文 参考訳（メタデータ） (2025-12-19T16:51:29Z) - Deep Learning for Clouds and Cloud Shadow Segmentation in Methane Satellite and Airborne Imaging Spectroscopy [8.008730702184803]
我々は高解像度センサのクラウドとクラウドのシャドウ検出問題に機械学習を用いて対処する。
先進的なディープラーニングアーキテクチャ,すなわちUNet と Spectral Channel Attention Network (SCAN) の手法を用いて,従来の手法をデプロイし,評価する。
その結果,従来の手法は空間的・境界的定義に苦慮し,雲や雲の影の検出に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2025-09-24T00:49:52Z) - SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery [0.0]
SatFlowは低分解能MODIS画像とランドサット観測を融合して高分解能・高分解能表面反射率画像を生成する生成モデルベースフレームワークである。
条件付きフローマッチングを用いて学習した本モデルでは, 構造的・スペクトル的整合性のある画像の生成性能が向上した。
この機能は、作物のフェノロジー追跡や環境変化検出など、下流のアプリケーションに不可欠である。
論文 参考訳（メタデータ） (2025-02-03T06:40:13Z) - Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。
この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。
我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
論文 参考訳（メタデータ） (2024-12-04T15:49:49Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - 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) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳（メタデータ） (2023-11-23T14:28:28Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳（メタデータ） (2023-06-15T10:06:13Z) - A Recommender System-Inspired Cloud Data Filling Scheme for
Satellite-based Coastal Observation [0.0]
本研究は,オンラインショッピング用に設計されたレコメンデーションシステムにおけるデータ計算手法の成功に触発されたものである。
合成雲カバーの幅の広いLandSatデータセットに対して数値実験を設計・実施した。
Funk-SVDと呼ばれるシステムにインスパイアされた行列分解アルゴリズムは、計算精度と効率において優れた性能を示した。
論文 参考訳（メタデータ） (2021-11-27T18:26:11Z) - Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation
and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。
点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文 参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。