論文の概要: LC-TSRNet: A Land-Cover-Guided Two-Stage Network for Annual MODIS Surface Reflectance Time Series Reconstruction

• arxiv url: http://arxiv.org/abs/2610.25120v1
• Date: Sun, 18 Oct 2026 08:56:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:25:36.961224
• Title: LC-TSRNet: A Land-Cover-Guided Two-Stage Network for Annual MODIS Surface Reflectance Time Series Reconstruction
• Title（参考訳）: LC-TSRNet:年次MODIS表面反射時間時系列再構成のための陸路誘導2段階ネットワーク
• Abstract要約: 本研究では,年次MODIS SR製品のシームレスな再構築のためのLC-TSRNetを提案する。 公開されているMODISサンプルデータセットが不足しているため,AIRMOD-TSRデータセットを構築した。
• 参考スコア（独自算出の注目度）: 7.820133516392197
• License:
• Abstract: MODIS surface reflectance (SR) products often suffer from data gaps due to cloud contamination and sensor malfunctions, limiting their applications in long-term and large-scale studies. Most existing methods rely on cloud-free observations from optical time series or introduce SAR time series as auxiliary information. However, due to the coarse spatial resolution of MODIS, cloud-free reference images are difficult to obtain, and SAR imagery is not well matched to the spatial resolution of MODIS, making it difficult to provide effective prior constraints. To address these issues, this study proposes LC-TSRNet for seamless reconstruction of annual MODIS SR products. In the first stage, an annual land cover map is introduced as prior knowledge, and CSPM is designed by leveraging the spectral similarity within identical land cover types, thereby providing prior spectral constraints for missing regions. In the second stage, to address large-area, persistent, and overlapping gaps in MODIS imagery, SMRM is designed to adaptively exploit and integrate multi-scale spatiotemporal contextual information. Meanwhile, to address the limited collaborative utilization of spatio-temporal-spectral information, 3DAM is designed to impose cross-dimensional joint constraints. Considering the lack of publicly available MODIS sample datasets, this study constructs the AIRMOD-TSR dataset. Extensive experimental results show that LC-TSRNet outperforms the comparison methods and achieves better reconstruction accuracy and spectral fidelity. Under the spatially adjacent scenario, LC-TSRNet improves PSNR by 0.56 dB and reduces SAM by 0.13°. The vegetation monitoring application further verifies the practical value of the reconstructed SR time series.
• Abstract（参考訳）: MODISサーフェス・リフレクタンス(SR)製品は、しばしば雲の汚染やセンサーの故障によるデータギャップに悩まされ、長期および大規模研究での応用を制限する。 既存の手法の多くは、光学時系列からの雲のない観測や、補助情報としてSAR時系列を導入することに依存している。 しかし、MODISの粗い空間分解能のため、雲のない参照画像を得るのは困難であり、SAR画像はMODISの空間分解能とよく一致しないため、効果的な事前制約を提供することが困難である。 これらの課題に対処するため,年次MODIS SR製品のシームレスな再構築のためのLC-TSRNetを提案する。 第1段階では, 年次土地被覆マップを事前知識として導入し, CSPMは同一の土地被覆タイプ内でのスペクトル類似性を生かし, 欠落地域に対して事前のスペクトル制約を与えるように設計されている。 第2段階では、MODIS画像の大規模、永続的、重複するギャップに対処するため、SMRMは、マルチスケールの時空間情報を適応的に活用し、統合するように設計されている。 一方、3DAMは、時空間スペクトル情報の限定的なコラボレーティブ利用に対処するために、多次元関節制約を課すように設計されている。 公開されているMODISサンプルデータセットが不足しているため,AIRMOD-TSRデータセットを構築した。 その結果,LC-TSRNetは比較法より優れ,再現精度とスペクトル忠実度が向上した。 空間的に隣接するシナリオでは、LC-TSRNet は PSNR を 0.56 dB 改善し、SAM を 0.13° 削減する。 植生モニタリングアプリケーションは、再構築されたSR時系列の実用的価値をさらに検証する。

関連論文リスト

• Deep Learning Super Resolution for Satellite Cloud Mask Downscaling [1.483523247491443]
  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。
  論文  参考訳（メタデータ） (2026-08-25T15:34:18Z)
• Global-Scale Self-Supervised Spatiotemporal Learning for NDVI Time-Series Reconstruction [9.201150739299447]
  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。
  論文  参考訳（メタデータ） (2026-08-03T14:46:25Z)
• Temporal-Spatial Tubelet Embedding for Cloud-Robust MSI Reconstruction using MSI-SAR Fusion: A Multi-Head Self-Attention Video Vision Transformer Approach [14.505845397958637]
  本研究では,ビデオビジョントランス (ViViT) を用いた時間空間融合を組み込んだフレームワークを提案する。 2020年のトレイル郡データの実験では、顕著な性能改善が示されている。
  論文  参考訳（メタデータ） (2025-12-10T09:46:08Z)
• Metadata, Wavelet, and Time Aware Diffusion Models for Satellite Image Super Resolution [4.307648859471193]
  MWT-Diffは、衛星画像超解像(SR)のための革新的なフレームワークである フレームワークの中核は、新しいメタデータ、ウェーブレット、タイムアウェアエンコーダ(MWT-Encoder)である。 埋め込み特徴表現は階層的拡散力学を駆使し、モデルが低解像度入力から高解像度衛星画像を徐々に再構成する。
  論文  参考訳（メタデータ） (2025-06-30T07:19:50Z)
• Vision Transformer-Based Time-Series Image Reconstruction for Cloud-Filling Applications [12.99180601782579]
  マルチスペクトル画像(MSI)における雲の被覆は、初期収穫のマッピングにおいて重要な課題となる。 雲に覆われた領域のMSIデータを再構成するために、視覚変換器(ViT)を用いた時系列MSI画像再構成という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-24T13:00:36Z)
• Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
  我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-06-10T16:48:27Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse Spatial-Temporal Guidance [71.3027345302485]
  リアルタイムモノクル3D再構成は未解決の課題である。 視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。 SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
  論文  参考訳（メタデータ） (2022-12-13T12:17:13Z)

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。