論文の概要: An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine
- arxiv url: http://arxiv.org/abs/1912.10726v2
- Date: Mon, 20 May 2024 03:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 03:18:46.184097
- Title: An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine
- Title(参考訳): 深層学習とGoogle Earth Engineを組み合わせた都市水抽出手法
- Authors: Yudie Wang, Zhiwei Li, Chao Zeng, Gui-Song Xia, Huanfeng Shen,
- Abstract要約: 本研究では,Google Earth Engine (GEE) とマルチスケール畳み込みニューラルネットワーク (MSCNN) を組み合わせてランドサット画像から都市水を抽出する手法を提案する。
オンライン予測(OTOP)は、GEEとCNNのそれぞれの利点をフルに活用し、GEE上でのディープラーニング手法の使用をより柔軟にする。
OTOPは特に、都市化の背景にある大規模・長期の都市水変化検出の研究に適している。
- 参考スコア(独自算出の注目度): 28.234804758383206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban water is important for the urban ecosystem. Accurate and efficient detection of urban water with remote sensing data is of great significance for urban management and planning. In this paper, we proposed a new method to combine Google Earth Engine (GEE) with multiscale convolutional neural network (MSCNN) to extract urban water from Landsat images, which is summarized as offline training and online prediction (OTOP). That is, the training of MSCNN was completed offline, and the process of urban water extraction was implemented on GEE with the trained parameters of MSCNN. The OTOP can give full play to the respective advantages of GEE and CNN, and make the use of deep learning method on GEE more flexible. It can process available satellite images with high performance without data download and storage, and the overall performance of urban water extraction is also higher than that of the modified normalized difference water index (MNDWI) and random forest. The mean kappa, F1-score and intersection over union (IoU) of urban water extraction with the OTOP in Changchun, Wuhan, Kunming and Guangzhou reached 0.924, 0.930 and 0.869, respectively. The results of the extended validation in the other major cities of China also show that the OTOP is robust and can be used to extract different types of urban water, which benefits from the structural design and training of the MSCNN. Therefore, the OTOP is especially suitable for the study of large-scale and long-term urban water change detection in the background of urbanization.
- Abstract(参考訳): 都市水は都市生態系にとって重要である。
リモートセンシングデータによる都市水の高精度かつ効率的な検出は、都市管理と計画にとって非常に重要である。
本稿では,Google Earth Engine (GEE) とマルチスケール畳み込みニューラルネットワーク (MSCNN) を組み合わせてランドサット画像から都市水を抽出する方法を提案する。
すなわち,MSCNNの訓練はオフラインで完了し,MSCNNの訓練パラメータを用いて都市水抽出のプロセスがGEE上で実施された。
OTOPは、GEEとCNNのそれぞれの利点をフルに活用し、GEE上でのディープラーニングメソッドの使用をより柔軟にする。
データダウンロードや保存を必要とせずに、利用可能な衛星画像の処理が可能であり、都市水抽出の全体的な性能も、修正された正規化差水指数(MNDWI)やランダム森林よりも高い。
長春,武漢,久明,広州では,都市水抽出のカッパ,F1スコア,結合(IoU)の平均値が0.924,0.930,0.869に達した。
また、中国の他の主要都市で拡張された検証の結果、OTOPは堅牢であり、MSCNNの構造設計と訓練の恩恵を受ける様々な種類の都市水抽出に使用できることが示された。
したがって,OTOPは都市化の背景にある大規模・長期の都市水変化検出研究に特に適している。
関連論文リスト
- Advanced Artificial Intelligence Strategy for Optimizing Urban Rail Network Design using Nature-Inspired Algorithms [0.0]
本研究では,インド・タミル・ナドゥ州チェンナイの都市環境におけるメトロネットワークルート計画の革新的方法論を紹介する。
改良型Ant Colony Optimization (ACO)法の比較分析により, 改良型Ant Colony Optimization (ACO)法と, 改良型Ant Colony Optimization (ACO)法との比較を行った。
論文 参考訳(メタデータ) (2024-07-04T17:57:39Z) - MetroGNN: Metro Network Expansion with Reinforcement Learning [29.418145526587313]
都市の異種マルチグラフにおけるマルコフ決定プロセスに対処するための強化学習フレームワークを提案する。
このアプローチでは,グラフニューラルネットワークが取得した情報に基づいて,インテリジェントにノードを選択する,注意型ポリシネットワークを採用している。
論文 参考訳(メタデータ) (2024-03-14T09:09:15Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳(メタデータ) (2023-09-26T23:55:39Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳(メタデータ) (2023-07-29T22:49:50Z) - Prediction of Transportation Index for Urban Patterns in Small and
Medium-sized Indian Cities using Hybrid RidgeGAN Model [0.0]
本研究は,中小都市における都市交通指標の予測におけるいくつかの課題に対処する。
Kernel Ridge Regression(KRR)とCityGANに基づくハイブリッドフレームワークを導入し、交通指標を予測する。
提案したハイブリッドパイプラインはリッジGANモデルと呼ばれ、都市スプロールの持続可能性を評価することができる。
論文 参考訳(メタデータ) (2023-06-09T15:05:40Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - A Contextual Master-Slave Framework on Urban Region Graph for Urban
Village Detection [68.84486900183853]
都市域を階層的にモデル化する都市域グラフ(URG)を構築した。
そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。
提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
論文 参考訳(メタデータ) (2022-11-26T18:17:39Z) - MetroGAN: Simulating Urban Morphology with Generative Adversarial
Network [10.504296192020497]
本稿では,都市形態学シミュレーションのための地理知識,すなわちメトロポリタンGAN(MetroGAN)の枠組みを提案する。
その結果,MetroGANはすべての指標において,最先端の都市シミュレーション手法よりも20%以上優れていた。
論文 参考訳(メタデータ) (2022-07-06T11:02:24Z) - Effective Urban Region Representation Learning Using Heterogeneous Urban
Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。
ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文 参考訳(メタデータ) (2022-02-18T04:59:20Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。