論文の概要: Lake Ice Detection from Sentinel-1 SAR with Deep Learning

• arxiv url: http://arxiv.org/abs/2002.07040v2
• Date: Wed, 6 May 2020 23:01:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 13:10:20.925566
• Title: Lake Ice Detection from Sentinel-1 SAR with Deep Learning
• Title（参考訳）: 深層学習によるセンチネル1sarの湖氷検出
• Authors: Manu Tom, Roberto Aguilar, Pascal Imhof, Silvan Leinss, Emmanuel Baltsavias and Konrad Schindler
• Abstract要約: 本稿では,深層ニューラルネットワークを用いたSentinel-1 Synthetic Aperture Radar(SAR)データの自動解析に基づく湖氷モニタリングシステムを提案する。 氷検出を2クラス(凍結・非凍結)の意味問題とし,最先端の深部畳み込みネットワーク(CNN)を用いて解いた。 2016年-17年-2017年-18年と3回の冬のスイスのアルペン湖について報告した。
• 参考スコア（独自算出の注目度）: 15.493845481313924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lake ice, as part of the Essential Climate Variable (ECV) lakes, is an important indicator to monitor climate change and global warming. The spatio-temporal extent of lake ice cover, along with the timings of key phenological events such as freeze-up and break-up, provide important cues about the local and global climate. We present a lake ice monitoring system based on the automatic analysis of Sentinel-1 Synthetic Aperture Radar (SAR) data with a deep neural network. In previous studies that used optical satellite imagery for lake ice monitoring, frequent cloud cover was a main limiting factor, which we overcome thanks to the ability of microwave sensors to penetrate clouds and observe the lakes regardless of the weather and illumination conditions. We cast ice detection as a two class (frozen, non-frozen) semantic segmentation problem and solve it using a state-of-the-art deep convolutional network (CNN). We report results on two winters ( 2016 - 17 and 2017 - 18 ) and three alpine lakes in Switzerland. The proposed model reaches mean Intersection-over-Union (mIoU) scores >90% on average, and >84% even for the most difficult lake. Additionally, we perform cross-validation tests and show that our algorithm generalises well across unseen lakes and winters.
• Abstract（参考訳）: 氷湖は、本質的気候変数(ecv)湖の一部として、気候変動と地球温暖化を監視する重要な指標である。 湖氷の時空間的範囲は、凍結や分裂といった重要な現象のタイミングとともに、地域の気候や地球規模の気候に関する重要な手がかりとなる。 本稿では,深層ニューラルネットワークを用いたSentinel-1 Synthetic Aperture Radar(SAR)データの自動解析に基づく湖氷モニタリングシステムを提案する。 湖氷モニタリングに光学衛星画像を用いた過去の研究では、気象や照明条件に関わらず、マイクロ波センサーが雲を貫通し湖を観測する能力のおかげで、頻繁に雲を覆うことが主な制限要因であった。 氷検出を2クラス(凍結・非凍結)のセマンティックセグメンテーション問題とし,最先端の深部畳み込みネットワーク(CNN)を用いて解いた。 スイスにおける2つの冬(2016年 - 17年, 2017年 - 18年)と3つのアルプス湖について報告した。 提案モデルは平均交点オーバーユニオン (miou) のスコアが平均で90%以上、最も難しい湖でも84%以上に達する。 さらに,相互評価試験を行い,未発見の湖沼と冬をまたいでアルゴリズムがよく一般化することを示す。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Multiple Random Masking Autoencoder Ensembles for Robust Multimodal Semi-supervised Learning [64.81450582542878]
  コンピュータビジョンや機械学習には、現実の問題が増えている。 衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
  論文  参考訳（メタデータ） (2024-02-12T20:08:58Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• Learning a Sensor-invariant Embedding of Satellite Data: A Case Study for Lake Ice Monitoring [19.72060218456938]
  我々は、ディープニューラルネットワーク内にセンサー不変のジョイント埋め込みを学習する。 我々の応用課題はアルプス湖における湖氷のモニタリングである。 衛星データを融合させることで、湖氷を1.5日間の時間分解能でマッピングする。
  論文  参考訳（メタデータ） (2021-07-19T18:11:55Z)
• Recent Ice Trends in Swiss Mountain Lakes: 20-year Analysis of MODIS Imagery [19.72060218456938]
  湖氷の枯渇は、海面上昇や氷河後退のように、気候変動の指標として役立ちます。 いくつかのLIP(Lake Ice Phenological)イベントは、地域や地球の気候変動を理解するためのセンチネルとして機能します。 スイスのオーバーレンガディン地域では, 凍結, 分裂, 時間的凍結といったLIP現象の観測に重点を置いている。
  論文  参考訳（メタデータ） (2021-03-23T10:25:02Z)
• Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
  氷河マッピングは、hkh領域における生態モニタリングの鍵となる。 気候変動は、氷河生態系の健康に依存している個人にリスクを与える。 本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-09T12:48:06Z)
• Ice Monitoring in Swiss Lakes from Optical Satellites and Webcams using Machine Learning [16.71718177904522]
  多時間衛星画像 公開されているウェブカメラ画像は、湖氷を監視するための有効なデータソースの一つである。 本研究では,スイスのアルプス湖における氷の量を測定するツールとして,機械学習による画像解析について検討する。 我々は,湖面上の各ピクセルを分類し,空間的に明示的な氷被覆図を得るため,湖氷モニタリングを画素単位のセマンティックセマンティックセグメンテーション問題としてモデル化する。
  論文  参考訳（メタデータ） (2020-10-27T14:02:00Z)
• Integrated monitoring of ice in selected Swiss lakes. Final project report [0.36700088931938823]
  湖(湖氷の一部)は、地球気候観測システム(GCOS)の基本気候変動(ECV)と考えられている。 MeteoSwissはこの2年間のプロジェクトをサポートし、衛星画像の使用だけでなく、ウェブカメラやその場測定の可能性を探求した。 このプロジェクトの目的は、いくつかの目標湖を監視し、氷の量、特に氷点/降期日を検出することである。
  論文  参考訳（メタデータ） (2020-08-02T16:18:51Z)
• Lake Ice Monitoring with Webcams and Crowd-Sourced Images [15.616179111087053]
  本稿では,自由に利用可能なウェブカメラデータを用いて,湖氷のモニタリングを行う普遍モデルに向けて前進する。 我々は、異なる冬と異なる湖にまたがるアノテーションを一般化する機能など、優れたパフォーマンスを示す。 我々は,複数のカメラと2つの異なる冬から得られたWebカメラ画像のベンチマークデータセットであるPhoti-LakeIceを紹介した。
  論文  参考訳（メタデータ） (2020-02-18T20:46:46Z)

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。