論文の概要: Learning Regional Snow Water Equivalent and Snow Height Variations from Sentinel-1 InSAR Acquisitions

• arxiv url: http://arxiv.org/abs/2609.34614v1
• Date: Mon, 28 Sep 2026 08:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:52:38.803102
• Title: Learning Regional Snow Water Equivalent and Snow Height Variations from Sentinel-1 InSAR Acquisitions
• Title（参考訳）: Sentinel-1 InSARによる積雪水量と積雪高さの変化の学習
• Abstract要約: SegFormerは2つのターゲットで最高の結果を得ることができ、HSは10.391 cm、SWEは27.113 mmである。 SegFormerは2つのターゲットで最高の結果を得ることができ、HSは10.391 cm、SWEは27.113 mmである。
• 参考スコア（独自算出の注目度）: 8.60298776699653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Managing water resources in mountainous regions depends heavily on reliable Snow Water Equivalent (SWE) and Snow Height (HS) data, yet these variables remain difficult to track at scale. This study evaluates three machine learning architectures (XGBoost, U-Net and SegFormer) for the joint estimation of SWE and HS variations from Sentinel-1 InSAR data over the Italian Alps, using the IT-SNOW reanalysis as reference. SegFormer achieves the best results on both targets, with an MAE of 10.391 cm for HS and 27.113 mm w.e. for SWE and the lowest variability across initializations. A feature sensitivity analysis shows that including all available features does not guarantee the lowest error, with model- and task-specific sensitivities. Spatial metrics (R2, Pearson's r) separate the three architectures far more clearly than mean error (MAE, RMSE) does, and decomposing the error per window attributes most of it to a systematic offset in the estimated mean variation rather than to the spatial pattern.
• Abstract（参考訳）: 山岳地域における水資源の管理は,SWE(Snow Water Equivalent)データとHS(Snow Height)データに大きく依存しているが,これらの変数を大規模に追跡することは困難である。 本研究は、イタリアアルプス上空のSentinel-1 InSARデータからSWEとHSの変動を同時推定するための3つの機械学習アーキテクチャ(XGBoost, U-Net, SegFormer)について、IT-SNOW再解析を参考に評価する。 SegFormer は HS では 10.391 cm 、SWE では 27.113 mm であり、初期化における最も低い変数である。 機能感度分析は、すべての利用可能な機能を含むと、モデルとタスク固有の感度で、最も低いエラーを保証しないことを示している。 空間的メトリクス(R2, Pearson's r)は平均誤差(MAE, RMSE)よりもはるかに明確に3つのアーキテクチャを分離し、ウィンドウ単位の誤差を空間的パターンよりも推定平均変動の体系的なオフセットに分解する。

関連論文リスト

• A Dataset and Model for Imputing Water Surface Elevation on a Large and Extremely Sparse Spatiotemporal Graph [2.436812702920681]
  本稿では,大規模グラフ計算手法のトレーニングと評価のためのデータセットであるAmazonSWEを紹介する。 従来のグラフ時間計算手法は,このトポロジ,スケール,空間に適応していないことを示す。 本稿では,接続された部分グラフをサンプリングし,空間と時間を平らにすることで,単一のトークンシーケンスに分割することで,それらを上回る単純な選択状態空間モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-10T14:12:02Z)
• SCTD 3.0: Sonar Common Target Detection in the Wild - A Large-Scale, Multi-Scene Dataset from Real Marine Surveys [3.272585676511349]
  SCTD 3.0は、野生のソナー・コモン・ターゲット・イン・ザ・ワイルド(Sonar Common Target Detection in the Wild)のための大規模な実測データセットである。 マルチ周波数システムからの1万以上の高品質のSAS画像スニペットを含んでいる。 オープンウォーター環境における水中目標認識の堅牢化のための重要なデータ基盤を提供することが期待されている。
  論文  参考訳（メタデータ） (2026-08-08T12:39:22Z)
• 3DGSI-Assessor: A Large-Scale Dataset and An LMM-based Method for 3D Gaussian Splatting Image Quality Assessment [56.721866312037065]
  圧縮3DGSのための大規模多次元IQAデータセットである3DGS-IEval-15K+を提案する。 3DGS-IEval-15K+に基づいて,オールインワンの3DGS IQAフレームワークである3DGSI-Assessorを提案する。
  論文  参考訳（メタデータ） (2026-08-04T07:53:14Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data [0.6138671548064355]
  本研究では,200m級高分解能SICマッピングのための新しい高分解能トランスフォーマ手法を提案する。 提案手法は2021年と2025年にパン・アルクティック最小限条件下で評価された。 その結果,Sentinel-1データを用いた0.70の総合的特徴検出精度が得られた。
  論文  参考訳（メタデータ） (2026-03-03T20:23:11Z)
• Deep Imbalanced Multi-Target Regression: 3D Point Cloud Voxel Content Estimation in Simulated Forests [4.2900253508857]
  本研究は,高レベルなLiDAR点雲データから,低レベルなボクセル内容情報,特にボクセル内におけるターゲット占有率を推定できるかどうかを考察する。 Kernel Point Convolutions (KPConv) を用いた不均衡学習における多目的回帰手法を提案する。 本研究は,森林のニュアンスを捉える際の様々な格子表現の効果を評価するために,ボクセルサイズ(0.25～2m)の感度解析を行った。
  論文  参考訳（メタデータ） (2025-11-16T19:14:13Z)
• Bayesian Transformer for Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data [0.6138671548064355]
  パン・アルキティック海氷の高分解能マッピングは, 海氷濃度チャートの作成に不可欠である。 パン・アルキティックSICマッピングと不確実性定量化のための新しいベイズ変圧器手法を提案する。 提案手法は2021年9月にPan-Arcticデータセットを用いて検証され,提案モデルが高分解能SICマップと頑健な不確実性マップの両方を達成可能であることを示す。
  論文  参考訳（メタデータ） (2025-09-29T19:42:15Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)

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。