Forecasting localized weather impacts on vegetation as seen from space with meteo-guided video prediction

要約

Sentinel 2 衛星によって測定されたヨーロッパの天候に対する植生の応答をモデル化するための新しいアプローチを提示します。
既存の衛星画像予測アプローチは、マルチスペクトル画像の写真のようにリアルな品質に焦点を当てていますが、導出された植生ダイナミクスはまだそれほど注目されていません。
最先端のビデオ予測方法を天気予報で拡張することにより、空間的および時間的コンテキストの両方を活用します。
学習した雲マスクと適切な評価スキームを導入することで、EarthNet2021 データセットを植生モデリングに適したものに拡張します。
定性的および定量的実験は、衛星画像予測への主要なアプローチを含む、さまざまなベースライン方法よりも優れたパフォーマンスを示しています。
さらに、モデル化された植生ダイナミクスが下流のタスクでどのように活用できるかを示します。つまり、炭素モニタリングのための総一次生産性を推測します。
私たちの知る限り、この作業は、季節サイクルを超えて異常を捉えることができる高解像度での大陸規模の植生モデリングの最初のモデルを提示し、それによって植生状態の予測評価への道を開きます。

要約(オリジナル)

We present a novel approach for modeling vegetation response to weather in Europe as measured by the Sentinel 2 satellite. Existing satellite imagery forecasting approaches focus on photorealistic quality of the multispectral images, while derived vegetation dynamics have not yet received as much attention. We leverage both spatial and temporal context by extending state-of-the-art video prediction methods with weather guidance. We extend the EarthNet2021 dataset to be suitable for vegetation modeling by introducing a learned cloud mask and an appropriate evaluation scheme. Qualitative and quantitative experiments demonstrate superior performance of our approach over a wide variety of baseline methods, including leading approaches to satellite imagery forecasting. Additionally, we show how our modeled vegetation dynamics can be leveraged in a downstream task: inferring gross primary productivity for carbon monitoring. To the best of our knowledge, this work presents the first models for continental-scale vegetation modeling at fine resolution able to capture anomalies beyond the seasonal cycle, thereby paving the way for predictive assessments of vegetation status.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google