光学衛星画像時系列は、農業、気候モニタリング、地表面分析など多くの地球観測アプリケーションで広く利用されています。しかし、雲やスワス端により時間次元でのサンプリングが不規則になり、継続的なモニタリングが制限されます。既存の研究の多くは、時系列の高密度化と再構築、すなわち利用可能なデータの時間範囲内で欠落または雲で汚染された観測を補完することに焦点を当ててきました。これらのアプローチは時間的連続性を改善しますが、観測期間内のギャップの再構築に限定され、将来の観測予測には対応していません。
本研究では、Véronique Defonte、Dawa Derksen、Alexandre Constantin、Bastien Nespoulousの研究者らが、確率的深層学習フレームワークを提案し、任意の過去または未来の日付に光学画像を生成することで、Sentinel-2時系列の高密度化と予測を実現します。このアプローチは、Sentinel-2光学データとSentinel-1 SARデータを同時に活用することでマルチモーダル衛星データを利用します。既存の研究とは異なり、生成画像の不確実性に焦点を当てており、確率モデリングにより各ピクセルに信頼度推定を提供します。これは変化検出や意思決定支援などの後続アプリケーションにとって重要です。
実験結果は、疎で時間的に非整合な時系列においても効果的な高密度化と予測が可能であることを示しています。本論文は2026年5月5日にarXiv（識別番号2605.04239）に提出され、コンピュータビジョンとパターン認識の分野に属します。研究者らは、このフレームワークがリアルタイムモニタリングや予報への応用を促進し、将来的にコードとデータが公開される可能性があると述べています。