PGDM: Physically Guided Diffusion Model for LST Downscaling Helios 佐々木謙一 1 第27回 SatAI.challenge勉強会 

目次 2 ● 自己紹介スライド ● 研究の1ページサマリ紹介 ● 研究の背景（Introduction） ● 手法について（Method） ● 実験（Experimet） ● 結論（Conclusion） 

3 著者紹介 This image was generated by ChatGPT 

佐々木謙一 • 2012-2016:東工大機械宇宙学科 • 2016-2019:東工大院松永研究室 • 2019-2023:CU Boulder Aerospace Engineering Ph.D. in Remote Sensing, Marine pollution monitoring • Internship • 2023-2025: Esri, product engineer in spatial analysis team • 2025: Helios Founder & CEO 

5 要約 This image was generated by ChatGPT 

PGDM: Physically Guided Diffusion Model for LST Downscaling 6 ● Downscalingを「確率分布の推定問題」として定式化 ● Diffusion modelで複数の解候補を生成 ● 不確実性（uncertainty）を自己評価可能 PGDM: 物理制約を加えた拡散モデルを用いたLSTの超解像モデル Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

7 論文紹介 This image was generated by ChatGPT 

LSTの重要性 ● 水循環・熱収支・農業・都市解析に必須 ○ 例: 蒸発散推定, 干ばつ監視, 都市ヒートアイランド ● 課題：解像度トレードオフ ○ 高空間解像度 ↔ 高時間解像度 ○ センサ制約で両立不可 研究目的 ● 精度、実用性、不確実性推定を同時に解決できるモデルの提案 Introduction 8 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

手法 9 PGDMの概要 ● 問題設定 ● 高解像度温度 = 低解像度 + 空間ディテール ● 確率分布として推定する問題と定式化 →Diffusion modelで条件付き分布を学習 ● 入力 ● 低解像度LST（TLR ） ● 高解像度補助データ（GHR ） ○ reflectance ○ NDVI ○ DEM ○ LULC Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

手法 10 PGDM Diffusionモデル ● Forward process ● HR LSTにノイズ付加 ● LRへ徐々に近づける ● Reverse process ● ノイズを除去して復元 ● HR LSTを生成 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

手法 11 PGDM ネットワーク構造 ● Dual Encoder ● 状態（温度） ● 地物情報（geophysical） ● Decoder ● U-Net構造 ● マルチスケール融合 ● 時間情報を考慮 ● TA-ResBlock Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

手法 12 PGDM ネットワーク構造 ● Dual Encoder ● 状態（温度） ● 地物情報（geophysical） ● Decoder ● U-Net構造 ● マルチスケール融合 ● 時間情報を考慮 ● TA-ResBlock Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

実験 13 PGDM ● データセット: ● Landsat 中国（22,909パッチ） , Landsat 全球（20地域） , ASTER（別センサ ● 比較手法 ● Bilinear ● Kernel regression ● DCF ● MoCoLSK-Net（SOTA） Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

結果 14 PGDM ● PGDMは 1位の頻度が最も高い ● 下位（ワースト側）に落ちる頻度が少ない ● 特に 20×で差が拡大 ● 分散が最も小さい ○ 特に heterogeneousなシーンで有利 Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

結果 15 性能と不確実性評価 全ベンチマークでSOTA Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

結果 16 性能と不確実性評価 内部不確実性 vs 誤差: 強い相関（r = 0.97） 出力STD vs 誤差: 実運用でも相関あり（r = 0.76） Heterogeneity ↑ → RMSE ↑ Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用 

まとめ 17 結論 ● LSTダウンスケーリングを確率論（分布推定） に拡張 ● 物理（SEB）とDiffusionを融合した PGDMを提案 ● 信頼度を自己評価可能 展望 ● 物理観測モデルとの統合 ● 不確実性マップの活用 感想 PSF, 隣接効果などは無視しているため、問題設定としては簡単寄り 各GHRのAblation studyは欲しかった 比較手法でDiffusion model系がないのは優位性の検証として不十分なのでは Huanyu Zhang et al. (2026),”PGDM: Physically Guided Diffusion Model for LST Downscaling ’,より引用