論文の概要: SAR-TS-BERT: Physics-Guided Self-Supervised Pre-Training With Polarimetric Features for SAR Time-Series Crop Classification
- arxiv url: http://arxiv.org/abs/2610.41728v1
- Date: Fri, 30 Oct 2026 13:37:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.757955
- Title: SAR-TS-BERT: Physics-Guided Self-Supervised Pre-Training With Polarimetric Features for SAR Time-Series Crop Classification
- Title（参考訳）: SAR-TS-BERT:SAR時系列作物分類のためのポラリメトリック特徴付き物理誘導自己監督事前訓練
- Abstract要約: 本稿では,SAR 時系列作物分類のための物理誘導型 BERT 型自己教師型事前学習フレームワークを提案する。
SAR-TS-BERTは、後方散乱強度と偏光度比特性を双偏光度雲-電位分解パラメータと統合する。
エストニア(EuroCropsML)と米国(California CDL)の独立したテストセットでは、SAR-TS-BERTはそれぞれ96.78%と87.29%の総合的なアキュラシー(OAs)を達成している。
- 参考スコア（独自算出の注目度）: 19.29098324405758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multitemporal synthetic aperture radar (SAR) imagery provides continuous, cloud-free observations of crop phenology for agricultural monitoring in cloudy and rainy regions, yet high-accuracy classification typically requires extensive labeled samples. Although self-supervised pre-training mitigates label dependency in remote sensing, existing frameworks primarily target optical imagery or generic spatial SAR scenes, underutilizing temporal backscatter dynamics and polarimetric scattering mechanisms. We propose SAR-TS-BERT, a physics-guided BERT-style self-supervised pre-training framework for SAR time-series crop classification. SAR-TS-BERT integrates backscatter intensities and polarimetric ratio features (VV, VH, and VV/VH) with dual-polarimetric Cloude-Pottier decomposition parameters ($H/α/A$) into a six-band input representation through two core designs: 1) a physics-guided span masking strategy (SpanPhysics) that adaptively selects contiguous masked spans based on temporal backscatter change rates to prioritize key phenological transitions; and 2) a dual-branch cross-modal fusion encoder that models backscatter and polarimetric decomposition features through separate Transformer branches followed by bidirectional cross-attention fusion. On independent test sets in Estonia (EuroCropsML) and the USA (California CDL), SAR-TS-BERT achieves overall accuracies (OAs) of 96.78% and 87.29%, respectively, and attains a mean monthly OA of 99.37% on Chongming Island, Shanghai. On the Estonia benchmark, pre-training improves OA and Macro F1 by 1.17 and 1.59 percentage points over training from scratch under full supervision, and by 2.58 and 5.19 percentage points using only 1% labeled data. Incorporating SAR scattering physics into temporal self-supervised pre-training effectively enhances crop classification accuracy, parcel-level mapping consistency, and few-shot transferability.
- Abstract（参考訳）: マルチテンポラル合成開口レーダ(SAR)画像は、曇りや雨の多い地域での農業モニタリングのために、作物の表現学を継続的に、雲無しで観察するが、高い精度の分類には一般的に広範囲なラベル付きサンプルが必要である。
自己教師付き事前学習は、リモートセンシングにおけるラベル依存を緩和するが、既存のフレームワークは主に光学画像または一般的な空間的SARシーンをターゲットにしており、時間的後方散乱と偏光散乱機構を未利用にしている。
SAR-TS-BERT(SAR-TS-BERT)は,SAR時系列作物分類のための物理誘導型BERT型自己教師型事前学習フレームワークである。
SAR-TS-BERTは、後方散乱強度と偏光度比特徴(VV、VH、VV/VH)を2つのコア設計による6バンド入力表現に双偏光度クラウド-ポリティエ分解パラメータ(H/α/A$)と統合する。
1)物理誘導型スパンマスキング戦略(SpanPhysics)は、時間的後方散乱変化率に基づいて連続マスキングスパンを適応的に選択し、重要な現象学的遷移を優先する。
2) 後方散乱および偏光分解特性を異なるトランスフォーマー分岐によりモデル化し, 双方向のクロスアテンション融合を行うデュアルブランチ・クロスモーダル核融合エンコーダ。
エストニア(EuroCropsML)と米国(California CDL)の独立したテストセットでは、SAR-TS-BERTは、それぞれ96.78%と87.29%のOAを達成し、上海のチョンミング島では平均月平均99.37%のOAを達成している。
エストニアのベンチマークでは、プレトレーニングはOAとマクロF1を1.17と1.59で改善し、全監督下でのトレーニングでは1.59ポイント、ラベル付きデータでは2.58と5.19で改善した。
SAR散乱物理を時間的自己監督型事前訓練に組み込むことで、作物の分類精度、パーセルレベルのマッピング整合性、少数ショットの転送性が効果的に向上する。
関連論文リスト
- HART: Hybrid Attention-RWKV Time series Foundation Model [51.09738341305564]
非自己回帰的多段階予測(NAF)により、時系列基礎モデルでは、将来の地平線全体を単一の前方通過で予測することができる。
RWKV-7はその強いシーケンスモデリング能力にもかかわらず、我々のNAF実験で長期劣化を示す。
本稿では,注目ブロックとRWKVブロックを交互に扱うハイブリッドアテンションRWKV時系列基盤モデルHARTを提案する。
論文 参考訳（メタデータ） (2026-10-09T02:19:20Z) - An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean [45.41459301195536]
シーズン内予測は、早期から後期に単調に改善され、最新の予測ポイントではベースラインよりも約50%低い誤差に達する。
ShaPは、収穫年が長期の軌道のほとんどを説明するのに対し、季節内気象と農業環境の文脈は、主に年々変動を引き起こすことを示唆している。
論文 参考訳（メタデータ） (2026-09-29T19:40:09Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_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) - An iterative energy-based multimodal transformer for joint retrieval of wheat soil moisture, leaf area index, and plant height from Sentinel-1 and Sentinel-2 time series [1.86672057283442]
iEBTは共有シーケンス内にマルチモーダル予測器を埋め込み、初期状態推定を生成し、ターゲット[SM, LAI, PH]ベクトルを反復的に更新する。
Modality ablationsによると、Sentinel-1はSM検索を、Sentinel-2はLAIを、PHは複合的な構造・形態的シグネチャに依存している。
論文 参考訳（メタデータ） (2026-06-23T21:05:53Z) - High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。
固定復号器用の潜時空間スピングラス辞書を定式化する。
トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2026-05-23T06:17:23Z) - ECTO: Exogenous-Conditioned Temporal Operator for Ultra-Short-Term Wind Power Forecasting [0.06015898117103066]
我々は風力予測のための統一的な枠組みとしてECTO(Exogenous-Conditioned Temporal Operator)を提案する。
PGVS (Physically-Grounded Variable Selection) は階層的でグループ対応のスパース選択を行う。
Exogenous-Conditioned Regime Refinement (ECRR) は、学習体制の専門家を通じて予測をルーティングする。
論文 参考訳（メタデータ） (2026-05-12T14:37:23Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - A Dual-TransUNet Deep Learning Framework for Multi-Source Precipitation Merging and Improving Seasonal and Extreme Estimates [2.9811995156103457]
衛星探査と再分析による多ソース降水生成物 (MSP) は, 温暖化モニタリングに広く利用されている。
我々は6つのMSPと4つのERA5物理予測器を統合する2段階のTransUNetベースのマルチソース降水統合フレームワーク(DDL-MSPMF)を開発した。
論文 参考訳（メタデータ） (2026-02-04T16:55:43Z) - CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。
アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。
トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
論文 参考訳（メタデータ） (2025-10-23T17:43:38Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z)
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。