Latent force models for earth observation time series prediction

Luengo García, David; Campos-Taberner, Manuel y Camps-Valls, Gustau (2016). Latent force models for earth observation time series prediction. En: "MLSP2016 IEEE International Workshop on Machine Learning for Signal Processing", 13/09/2016 - 16/09/2016, Salerno (Italia). ISBN 978-1-5090-0746-2. pp. 1-6. https://doi.org/10.1109/MLSP.2016.7738844.

Descripción

Título: Latent force models for earth observation time series prediction
Autor/es:
  • Luengo García, David
  • Campos-Taberner, Manuel
  • Camps-Valls, Gustau
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: MLSP2016 IEEE International Workshop on Machine Learning for Signal Processing
Fechas del Evento: 13/09/2016 - 16/09/2016
Lugar del Evento: Salerno (Italia)
Título del Libro: Proceedings of the 2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP)
Fecha: 2016
ISBN: 978-1-5090-0746-2
Materias:
Palabras Clave Informales: Latent force models, Gaussian processes, Remote sensing, satellite images, Moderate Resolution Imaging Spectroradiometer (MODIS), gap filling, multi-output regression, rice crop monitoring.
Escuela: E.T.S.I. y Sistemas de Telecomunicación (UPM)
Departamento: Teoría de la Señal y Comunicaciones
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (4MB) | Vista Previa

Resumen

We introduce latent force models for Earth observation time series analysis. The model uses Gaussian processes and differential equations to combine data driven modelling with a physical model of the system. The LFM presented here performs multi-output structured regression, adapts to the signal characteristics, it can cope with missing data in the time series, and provides explicit latent functions that allow system analysis and evaluation. We successfully illustrate the performance in challenging scenarios of crop monitoring from space, providing time-resolved time series predictions.

Proyectos asociados

TipoCódigoAcrónimoResponsableTítulo
FP7FP7/2007-2013Sin especificarSin especificarSin especificar
Horizonte 2020ERC-CoG-2014SEDALSin especificarSin especificar
Gobierno de EspañaTEC2015-64835-C3-3-RSin especificarSin especificarSin especificar
Gobierno de EspañaTIN2015-64210-RSin especificarSin especificarSin especificar

Más información

ID de Registro: 46523
Identificador DC: http://oa.upm.es/46523/
Identificador OAI: oai:oa.upm.es:46523
Identificador DOI: 10.1109/MLSP.2016.7738844
URL Oficial: http://mlsp2016.conwiz.dk/home.htm
Depositado por: Memoria Investigacion
Depositado el: 24 Abr 2018 18:08
Ultima Modificación: 24 Abr 2018 18:08
  • GEO_UP4
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • InvestigaM
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM