DiffWater: A Conditional Diffusion Model for Estimating Surface Water Fraction Using CyGNSS Data
Notice bibliographique
Résumé
Recent advances in Cyclone Global Navigation Satellite System (CYGNSS) data have significantly improved the extraction of monthly surface water fraction (SWF), with neural networks being widely used for large-scale water body mapping based on GNSS-R signals. However, inherent noise in CYGNSS signals, such as multipath effects and interference, presents substantial challenges to the accuracy of SWF estimation. Diffusion models, an emerging class of generative deep learning techniques, have shown remarkable capabilities in capturing complex data distributions. By leveraging an iterative process of noise addition and removal, these models demonstrate significant advantages in processing low signal-to-noise ratio data, offering a novel methodology for precise SWF estimation from CYGNSS data. This study introduces DiffWater, a framework designed to address the unique characteristics of CYGNSS data and systematically explore the applicability of conditional diffusion models for remote sensing tasks. Utilizing a composite reference dataset, which includes the Global Surface Water (GSW) dataset and the Global Surface Water Dynamics (GLAD) dataset as training targets, DiffWater enhances the objectives of conditional diffusion models by integrating advanced conditional feature extractors and implementing multi-level fusion of conditional and temporal features, thereby achieving significant improvements in SWF estimation performance. Comprehensive experimental evaluations on the reference dataset demonstrate that DiffWater achieved the best performance, with a root mean square error (RMSE) of 4.987% and a correlation coefficient (R) of 0.946. Compared to state-of-the-art SWF estimation methods, the proposed approach demonstrated significant improvements in both quantitative and qualitative results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».