論文の概要: Extending Dynamic World Surface Water Mapping to Sentinel-1 with AlphaEarth Embeddings
- arxiv url: http://arxiv.org/abs/2610.06704v1
- Date: Mon, 05 Oct 2026 17:01:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 23:30:03.413112
- Title: Extending Dynamic World Surface Water Mapping to Sentinel-1 with AlphaEarth Embeddings
- Title（参考訳）: アルファアース埋め込みによるセンチネル-1への動的世界表面水マッピング
- Abstract要約: ダイナミックワールド (DW) は、センチネル2 (S2) 画像から10mの距離で地球上の陸地利用と陸地被覆をマッピングするが、雲のない観測に限られる。
我々はDW水クラスをセンチネル-1(S1)合成開口レーダ(SAR)モデルの弱い監視として使用し、S1の取得毎にDWに似た水マップを作成できるようにした。
- 参考スコア（独自算出の注目度）: 3.93659501635943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic World (DW) maps land use and land cover globally at 10 m from Sentinel-2 (S2) imagery, but only for cloud-free observations, which limits where and when surface water can be mapped. We use the DW water class as weak supervision for a Sentinel-1 (S1) synthetic aperture radar (SAR) model so that DW-like water maps can be produced for every S1 acquisition. Google's AlphaEarth Foundations (AEF) annual embedding supplies spatial context, while S1 backscatter supplies the acquisition-time observation. On 53 globally distributed scenes with independent annotations of 3 m PlanetScope imagery acquired within 48 h of the S1 overpass, the S1-only model already reaches a pooled water intersection over union (IoU) of 0.77, comparable to 0.75 for the operational OPERA DSWx-S1 product, and adding AEF raises it to 0.85. The fused model improves on the S1-only model on 44 of 53 scenes and exceeds OPERA on 48, and on the independent S1S2-Water benchmark it reaches 0.94, compared with 0.87 for OPERA. Optical land-cover products can thus provide scalable training labels for SAR surface water mapping.
- Abstract（参考訳）: ダイナミックワールド (DW) は、センチネル-2 (S2) 画像から10mの距離で地球上の陸地利用と陸地被覆をマッピングするが、雲のない観測のためだけに限られる。
我々はDW水クラスをセンチネル-1(S1)合成開口レーダ(SAR)モデルの弱い監視として使用し、S1の取得毎にDWに似た水マップを作成できるようにした。
GoogleのAlphaEarth Foundations(AEF)年次埋め込みは空間コンテキストを提供し、S1バックスキャッターは取得時の観察を提供する。
S1の48時間以内に取得された3mのPlanetScope画像の独立したアノテーションを持つ53のグローバルなシーンでは、S1のみのモデルは、運用中のOPERA DSWx-S1製品で0.75に匹敵する0.77のプールされた水の交差点(IoU)に達しており、AFFは0.85に上昇している。
融合モデルは53シーン中44シーンで改善され、48シーンでOPERAを上回り、独立したS1S2-Waterベンチマークでは0.94に達し、OPERAは0.87となった。
これにより、光学的土地被覆製品は、SAR表面の水マッピングのためのスケーラブルなトレーニングラベルを提供することができる。
関連論文リスト
- Mini-JEPA Foundation Model Fleet Enables Agentic Hydrologic Intelligence [0.0]
単一の惑星スケールモデル、例えばGoogle AlphaEarthは、幅広い特徴をうまく扱えるが、専門的な水理信号に妥協する可能性がある。
小型センサ専門のJEPA(Joint Embedding Predictive Architecture)ファウンデーションモデルであるMini-JEPAを提案する。
論文 参考訳（メタデータ） (2026-05-13T21:11:14Z) - Prompting Foundation Models for Zero-Shot Ship Instance Segmentation in SAR Imagery [4.3991363299650335]
本稿では,SAR(Synthetic Aperture Radar)画像において,汎用視覚基盤モデルがゼロショット船のインスタンスセグメンテーションを可能にする方法について検討する。
オープンなSARデータセットに基づいてトレーニングされたYOLOv11ベースの検出器は、バウンディングボックスを介して船をローカライズし、Segment Anything Model 2 (SAM2) にインスタンスマスクを生成する。
従来のSAMベースのSARアプローチとは異なり,SAR学習検出器の空間的制約だけで基礎モデル予測を効果的に正則化できることを本手法は示している。
論文 参考訳（メタデータ） (2026-04-20T07:57:11Z) - A Data-Centric Vision Transformer Baseline for SAR Sea Ice Classification [2.4851820343103035]
AI4Arctic/ASIP Sea Ice データセット (v2) を用いており、これは専門的な氷図と一致する461Sentinel-1 のシーンを含んでいる。
クロスエントロピーと重み付きクロスエントロピーで訓練したViT-Baseモデルと、焦点損失で訓練したViT-Largeモデルとの比較を行った。
これらの結果から, 希少な氷の授業において, 重み付きクロスエントロピーよりも高精度リコールトレードオフが有効であることが示唆された。
論文 参考訳（メタデータ） (2026-04-03T15:18:00Z) - 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) - OceanSAR-2: A Universal Feature Extractor for SAR Ocean Observation [55.978228064498865]
SARに基づく海洋観測のための第2世代の基盤モデルであるOceanSAR-2を紹介する。
先にリリースしたSentinel-1 Wave Modeデータによる自己教師型学習の先駆者であるOceanSAR-2は、SSLトレーニングの改善と動的データキュレーション戦略に依存しています。
論文 参考訳（メタデータ） (2026-01-12T10:20:43Z) - Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。
EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。
本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-09T15:13:26Z) - WV-Net: A foundation model for SAR WV-mode satellite imagery trained using contrastive self-supervised learning on 10 million images [23.653151006898327]
本研究では,1000万近いWVモード画像とコントラスト型自己教師型学習を用いて,WV-Netと呼ばれるセマンティック埋め込みモデルを訓練する。
複数の下流タスクにおいて、WV-Netは、教師あり学習を伴う自然画像に事前訓練された同等のモデルより優れている。
WV-Net埋め込みは教師なしのイメージ検索タスクでは優れており、データスパース設定ではスケールが優れている。
論文 参考訳（メタデータ） (2024-06-26T21:30:41Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [44.96583097079915]
我々は,我々の開発した水中キャリアLiDAR-Radar(UCLR)に基づくリアルタイムエンドツーエンドバイナリ分類フレームワークであるStreakNet-Archを紹介した。
制御された水槽検証条件下では、StreakNet-Arch with Self-Attention または DBC-Attention が従来のバンドパスフィルタリングより優れている。
南シナ海におけるUCLRシステムの検証を行い,深度1000m,幅20mの3Dターゲットに対して46mmの誤差に達した。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z) - Automating global landslide detection with heterogeneous ensemble
deep-learning classification [44.99833362998488]
地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。
危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。
近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
論文 参考訳（メタデータ） (2023-09-12T10:56:16Z)
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。