elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Lossy Neural Compression for Geospatial Analytics: A Review

Gomes, Carlos und Wittmann, Isabelle und Robert, Damien und Jakubik, Johannes und Reichelt, Tim und Maurogiovanni, Stefano und Vinge, Rikard und Hurst, Jonas und Scheurer, Erik und Sedona, Rocco und Brunschwiler, Thomas und Kesselheim, Stefan und Batic, Matej und Stier, Philip und Wegner, Jan und Cavallaro, Gabriele und Pebesma, Edzer und Marszalek, Michael und Belenguer-Plomer, Miguel und Adriko, Kennedy und Fraccaro, Paolo und Kienzler, Romeo und Briq, Rania und Benassou, Sabrina und Lazzarini, Michele und Albrecht, Conrad M (2025) Lossy Neural Compression for Geospatial Analytics: A Review. IEEE Geoscience and Remote Sensing Magazine (GRSM). IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/MGRS.2025.3546527. ISSN 2168-6831.

[img] PDF - Postprintversion (akzeptierte Manuskriptversion)
6MB

Kurzfassung

Over the past decades, there has been an explosion in the amount of available Earth Observation (EO) data. The unprecedented coverage of the Earth's surface and atmosphere by satellite imagery has resulted in large volumes of data that must be transmitted to ground stations, stored in data centers, and distributed to end users. Modern Earth System Models (ESMs) face similar challenges, operating at high spatial and temporal resolutions, producing petabytes of data per simulated day. Data compression has gained relevance over the past decade, with neural compression (NC) emerging from deep learning and information theory, making EO data and ESM outputs ideal candidates due to their abundance of unlabeled data. In this review, we outline recent developments in NC applied to geospatial data. We introduce the fundamental concepts of NC including seminal works in its traditional applications to image and video compression domains with focus on lossy compression. We discuss the unique characteristics of EO and ESM data, contrasting them with "natural images", and explain the additional challenges and opportunities they present. Additionally, we review current applications of NC across various EO modalities and explore the limited efforts in ESM compression to date. The advent of self-supervised learning (SSL) and foundation models (FM) has advanced methods to efficiently distill representations from vast unlabeled data. We connect these developments to NC for EO, highlighting the similarities between the two fields and elaborate on the potential of transferring compressed feature representations for machine-to-machine communication. Based on insights drawn from this review, we devise future directions relevant to applications in EO and ESM.

elib-URL des Eintrags:https://elib.dlr.de/212973/
Dokumentart:Zeitschriftenbeitrag
Titel:Lossy Neural Compression for Geospatial Analytics: A Review
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Gomes, CarlosNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wittmann, IsabelleIsabelle.Wittmann1 (at) IBM.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Robert, DamienZurich UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Jakubik, JohannesIBM ResearchNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Reichelt, TimOxford UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Maurogiovanni, StefanoFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Vinge, RikardRikard.Vinge (at) DLR.dehttps://orcid.org/0000-0002-7306-3403NICHT SPEZIFIZIERT
Hurst, JonasMuenster UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Scheurer, ErikFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Sedona, RoccoFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Brunschwiler, ThomasTBR (at) Zurich.IBM.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kesselheim, StefanFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Batic, MatejSinergise/PlanetNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stier, PhilipOxford UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wegner, JanZurich UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Cavallaro, GabrieleFZJ / Iceland UNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Pebesma, Edzeredzer.pebesma (at) uni-muenster.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marszalek, MichaelMichael.Marszalek (at) DLR.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Belenguer-Plomer, MiguelSatCenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Adriko, KennedyFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Fraccaro, PaoloIBM ResearchNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kienzler, RomeoIBM ResearchNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Briq, RaniaFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Benassou, SabrinaFZJNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Lazzarini, MicheleSatCenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Albrecht, Conrad MConrad.Albrecht (at) dlr.dehttps://orcid.org/0009-0009-2422-7289NICHT SPEZIFIZIERT
Datum:2025
Erschienen in:IEEE Geoscience and Remote Sensing Magazine (GRSM)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.1109/MGRS.2025.3546527
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:2168-6831
Status:akzeptierter Beitrag
Stichwörter:Earth Observation, Earth System Models, Neural Compression, Geospatial Analytics
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Optische Fernerkundung, R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Albrecht, Conrad M
Hinterlegt am:28 Feb 2025 09:02
Letzte Änderung:11 Mär 2025 13:33

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.