論文の概要: Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A
Hidden Markov Tree Approach
- arxiv url: http://arxiv.org/abs/2008.11230v2
- Date: Thu, 7 Jan 2021 22:40:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 03:16:08.007841
- Title: Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A
Hidden Markov Tree Approach
- Title（参考訳）: 高分解能空中画像とDEMに基づく洪水物質マッピング:隠れマルコフ木アプローチ
- Authors: Zhe Jiang, Arpan Man Sainju
- Abstract要約: 本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。
2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。
その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
- 参考スコア（独自算出の注目度）: 10.72081512622396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flood extent mapping plays a crucial role in disaster management and national
water forecasting. In recent years, high-resolution optical imagery becomes
increasingly available with the deployment of numerous small satellites and
drones. However, analyzing such imagery data to extract flood extent poses
unique challenges due to the rich noise and shadows, obstacles (e.g., tree
canopies, clouds), and spectral confusion between pixel classes (flood, dry)
due to spatial heterogeneity. Existing machine learning techniques often focus
on spectral and spatial features from raster images without fully incorporating
the geographic terrain within classification models. In contrast, we recently
proposed a novel machine learning model called geographical hidden Markov tree
that integrates spectral features of pixels and topographic constraints from
Digital Elevation Model (DEM) data (i.e., water flow directions) in a holistic
manner. This paper evaluates the model through case studies on high-resolution
aerial imagery from the National Oceanic and Atmospheric Administration (NOAA)
National Geodetic Survey together with DEM. Three scenes are selected in
heavily vegetated floodplains near the cities of Grimesland and Kinston in
North Carolina during Hurricane Matthew floods in 2016. Results show that the
proposed hidden Markov tree model outperforms several state of the art machine
learning algorithms (e.g., random forests, gradient boosted model) by an
improvement of F-score (the harmonic mean of the user's accuracy and producer's
accuracy) from around 70% to 80% to over 95% on our datasets.
- Abstract（参考訳）: 洪水拡大地図は災害管理と国家水量予測において重要な役割を担っている。
近年、多くの小型衛星やドローンが配備され、高解像度の光学画像が利用できるようになる。
しかし, 浸水範囲を抽出するための画像データの解析は, 豊かな騒音や影, 障害物(樹冠, 雲など), 空間的不均一性によるピクセルクラス(フッド, ドライ)間のスペクトルの混乱など, ユニークな課題を生じさせる。
既存の機械学習技術は、分類モデルに地形を完全に組み込むことなく、ラスタ画像からのスペクトルと空間の特徴に焦点を当てることが多い。
これとは対照的に,我々は最近,デジタル標高モデル(dem)データ(すなわち水流方向)からピクセルのスペクトル特徴と地形制約を総合的に統合した,地理的隠れマルコフ木と呼ばれる新しい機械学習モデルを提案した。
本稿では,国立海洋大気庁(NOAA)による高分解能空中画像のケーススタディを通じて,DEMとともにそのモデルを評価する。
2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが厳選された。
その結果,提案する隠れマルコフ木モデルは,f-score(ユーザの精度とプロデューサーの精度の調和平均)を約70%から80%から95%以上改善することで,アート機械学習アルゴリズム(例えばランダムフォレスト,勾配強化モデル)の状態を上回っていることがわかった。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery [0.0]
気候変動の台頭で、土地被覆マッピングは環境モニタリングにおいて緊急に必要となってきた。
本研究では,Unet,Linknet,FPN,PSPnetなどのセマンティックセグメンテーション手法を用いて植生や水などの分類を行った。
LinkNetモデルは、すべてのデータセットで0.92の精度でIoUで取得した。
論文 参考訳（メタデータ） (2024-06-20T11:40:12Z) - EvaNet: Elevation-Guided Flood Extent Mapping on Earth Imagery (Extended Version) [11.820388725641312]
EvaNetはエンコーダ・デコーダアーキテクチャに基づく標高誘導セグメンテーションモデルである。
これは、洪水範囲マッピングのための既存のソリューションにおいて、U-Netの完全なドロップイン代替として機能する。
論文 参考訳（メタデータ） (2024-04-27T14:10:09Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-12-27T20:56:34Z) - Cross-Geography Generalization of Machine Learning Methods for
Classification of Flooded Regions in Aerial Images [3.9921541182631253]
本研究は,UAV空中画像中の浸水領域を特定するための2つのアプローチを提案する。
最初のアプローチは、テクスチャベースの教師なしセグメンテーションを使用して、浸水した地域を検出する。
2つ目は、テクスチャ機能に人工ニューラルネットワークを使用して、画像が浸水して浮かばないものとして分類する。
論文 参考訳（メタデータ） (2022-10-04T13:11:44Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳（メタデータ） (2022-09-02T17:44:50Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - Sci-Net: a Scale Invariant Model for Building Detection from Aerial
Images [0.0]
本研究では,空間分解能の異なる空間画像に存在している建物を分割できるスケール不変ニューラルネットワーク(Sci-Net)を提案する。
具体的には,U-Netアーキテクチャを改良し,それを高密度なASPP(Atrous Space Pyramid Pooling)で融合し,微細なマルチスケール表現を抽出した。
論文 参考訳（メタデータ） (2021-11-12T16:45:20Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Non-Homogeneous Haze Removal via Artificial Scene Prior and
Bidimensional Graph Reasoning [52.07698484363237]
本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。
本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2021-04-05T13:04:44Z)
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。