論文の概要: Pix2Streams: Dynamic Hydrology Maps from Satellite-LiDAR Fusion
- arxiv url: http://arxiv.org/abs/2011.07584v1
- Date: Sun, 15 Nov 2020 17:14:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:13:26.203994
- Title: Pix2Streams: Dynamic Hydrology Maps from Satellite-LiDAR Fusion
- Title（参考訳）: Pix2Streams:衛星LiDAR融合による動的水文学マップ
- Authors: Dolores Garcia, Gonzalo Mateo-Garcia, Hannes Bernhardt, Ron
Hagensieker, Ignacio G. Lopez Francos, Jonathan Stock, Guy Schumann, Kevin
Dobbs, Freddie Kalaitzis
- Abstract要約: 現在の衛星のアプローチは、最も広いストリームのみをマップする月例観測に限られている。
毎日の海の完全な地図は、干ばつの発生場所を早期に知らせてくれる。
最新の高解像度センサデータを複数のディープラーニングモデルに供給し、これらのフローネットワークを毎日マップします。
- 参考スコア（独自算出の注目度）: 1.0539847330971805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Where are the Earth's streams flowing right now? Inland surface waters expand
with floods and contract with droughts, so there is no one map of our streams.
Current satellite approaches are limited to monthly observations that map only
the widest streams. These are fed by smaller tributaries that make up much of
the dendritic surface network but whose flow is unobserved. A complete map of
our daily waters can give us an early warning for where droughts are born: the
receding tips of the flowing network. Mapping them over years can give us a map
of impermanence of our waters, showing where to expect water, and where not to.
To that end, we feed the latest high-res sensor data to multiple deep learning
models in order to map these flowing networks every day, stacking the times
series maps over many years. Specifically, i) we enhance water segmentation to
$50$ cm/pixel resolution, a 60$\times$ improvement over previous
state-of-the-art results. Our U-Net trained on 30-40cm WorldView3 images can
detect streams as narrow as 1-3m (30-60$\times$ over SOTA). Our multi-sensor,
multi-res variant, WasserNetz, fuses a multi-day window of 3m PlanetScope
imagery with 1m LiDAR data, to detect streams 5-7m wide. Both U-Nets produce a
water probability map at the pixel-level. ii) We integrate this water map over
a DEM-derived synthetic valley network map to produce a snapshot of flow at the
stream level. iii) We apply this pipeline, which we call Pix2Streams, to a
2-year daily PlanetScope time-series of three watersheds in the US to produce
the first high-fidelity dynamic map of stream flow frequency. The end result is
a new map that, if applied at the national scale, could fundamentally improve
how we manage our water resources around the world.
- Abstract（参考訳）: 地球の流れは今どこに流れていますか。
内陸の表層水は洪水や干ばつで広がるので、我々の流れの地図は一つもない。
現在の衛星のアプローチは、最も広いストリームのみをマップする月間観測に限られている。
これらは樹状表面ネットワークの大部分を構成するが、流れが観測されていない小さな支流によって供給される。
毎日の海水の完全な地図は、干ばつがどこで生えているのかという早期の警告を与えてくれる。
何年にもわたって地図に映し出され、水がどこにあるのか、どこにないのかがわかるのです。
そのために、最新の高解像度センサデータを複数のディープラーニングモデルに供給し、これらの流れのネットワークを毎日マッピングし、長年にわたって時系列マップを積み重ねる。
具体的には
i) 水のセグメンテーションを50ドル/cm/ピクセル分解能、60ドル/times$の改善に拡張する。
U-Netは、30-40cmのWorldView3画像でトレーニングされ、1-3m (30-60$\times$ over SOTA)の狭いストリームを検出できる。
マルチセンサーでマルチレゾのWasserNetzは、1mのLiDARデータで3mのPlanetScope画像のマルチデイウィンドウを融合し、ストリームの幅5-7mを検出する。
どちらのU-Netも画素レベルで水確率マップを生成する。
ii) この水図をdemから派生した合成谷ネットワークマップ上で統合し, 流れのスナップショットを作成する。
iii) このパイプラインはPix2Streamsと呼ばれ、米国内の3つの流域の2年ごとのPlanetScopeの時系列に応用し、ストリーム流速の最初の高忠実度ダイナミックマップを作成する。
最終的には、全国規模で適用すれば、世界中の水資源の管理方法を根本的に改善できる新しい地図が完成する。
関連論文リスト
- A physics-guided neural network for flooding area detection using SAR imagery and local river gauge observations [0.0]
本研究では,洪水領域検出のための物理誘導型ニューラルネットワークを提案する。
提案手法は,インプットデータとして,センチネル1の時系列画像と,各画像に割り当てられた河川の水位を推定する。
提案手法の有効性を,デジタル地形モデルと光学衛星画像から得られた参照水マップと比較することにより,5つの研究領域で評価した。
論文 参考訳（メタデータ） (2024-10-11T14:13:06Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [48.30281861646519]
本稿では,水中キャリアLiDAR-Radar(UCLR)イメージングシステム用に設計された新しい信号処理アーキテクチャであるStreakNet-Archを紹介する。
StreakNet-Archは、信号処理をリアルタイムなエンドツーエンドのバイナリ分類タスクとして定式化する。
本稿では,ストリークチューブカメライメージを注目ネットワークに埋め込み,学習帯域通過フィルタとして効果的に機能する手法を提案する。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z) - Augmenting Lane Perception and Topology Understanding with Standard
Definition Navigation Maps [51.24861159115138]
Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。
本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。
この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-07T15:42:22Z) - StreamMapNet: Streaming Mapping Network for Vectorized Online HD Map
Construction [36.1596833523566]
本稿では,ビデオの時系列時間的モデリングに適応した新しいオンラインマッピングパイプラインであるStreamMapNetを紹介する。
StreamMapNetは、高安定性の大規模ローカルHDマップの構築を支援するマルチポイントアテンションと時間情報を利用する。
論文 参考訳（メタデータ） (2023-08-24T05:22:43Z) - Generating an interactive online map of future sea level rise along the
North Shore of Vancouver: methods and insights on enabling geovisualisation
for coastal communities [0.0]
研究地域はカナダのブリティッシュコロンビア州バンクーバーのノースショアであった。
我々は,高解像度で垂直精度の1mのLiDARのオープンアクセスを探索した。
様々なSLRシナリオにおいて, 浸水帯を規定する水文接続型浴槽法モデルを用いて検討した。
ディープラーニングと3D可視化は、過去、現在、そして将来の土地利用/土地被覆と3Dをモデル化するために使用された。
論文 参考訳（メタデータ） (2023-04-15T04:12:55Z) - Vision-based Large-scale 3D Semantic Mapping for Autonomous Driving
Applications [53.553924052102126]
ステレオカメラシステムのみに基づく3次元セマンティックマッピングのための完全なパイプラインを提案する。
パイプラインは、直接視覚的オドメトリーのフロントエンドと、グローバルな時間統合のためのバックエンドで構成されている。
本稿では,3次元点ラベルの品質と一貫性を向上する,単純だが効果的な投票方式を提案する。
論文 参考訳（メタデータ） (2022-03-02T13:18:38Z) - An Edge Map based Ensemble Solution to Detect Water Level in Stream [3.2308803546329137]
米国だけでも毎年、洪水で130ドル(約1万3000円)以上の死者が出ている。
我々は,クリークの水位を連続的に検出する効率的な視覚ベースアンサンブルソリューションを設計し,実装した。
提案されたソリューションは広範に正確であり、水面に追加のインフラを設置する必要はなく、容易に他の場所に適応できる。
論文 参考訳（メタデータ） (2022-01-16T17:43:12Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z) - HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。
我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。
地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
論文 参考訳（メタデータ） (2020-12-21T21:59:54Z) - Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery
And Digital Elevation Models [0.0]
Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。
実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
論文 参考訳（メタデータ） (2020-12-11T18:42:15Z)
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。