論文の概要: Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images
- arxiv url: http://arxiv.org/abs/2102.00212v1
- Date: Sat, 30 Jan 2021 11:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:38:19.335625
- Title: Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images
- Title（参考訳）: 衛星画像によるタイリングスダム崩壊の影響のモニタリング
- Authors: Jaime Moraga (1), Gurbet Gurkan (1), Sebnem Duzgun (1) ((1) Colorado
School of Mines, Golden, Colorado)
- Abstract要約: 2019年1月25日、ブラジルのブルマディンホにあるC'orrego do Feijao鉄鉱石鉱山の尾化ダムが倒壊した。
本研究は, セチネル2衛星画像を用いて, 浸水地域をマッピングし, ダム崩壊による土地利用状況と土地被覆状況を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Monitoring dam failures using satellite images provides first responders with
efficient management of early interventions. It is also equally important to
monitor spatial and temporal changes in the inundation area to track the
post-disaster recovery. On January 25th, 2019, the tailings dam of the
C\'orrego do Feij\~ao iron ore mine, located in Brumadinho, Brazil, collapsed.
This disaster caused more than 230 fatalities and 30 missing people leading to
damage on the order of multiple billions of dollars. This study uses Sentinel-2
satellite images to map the inundation area and assess and delineate the land
use and land cover impacted by the dam failure. The images correspond to data
captures from January 22nd (3 days before), and February 02 (7 days after the
collapse). Satellite images of the region were classified for before and
aftermath of the disaster implementing a machine learning algorithm. In order
to have sufficient land cover types to validate the quality and accuracy of the
algorithm, 7 classes were defined: mine, forest, build-up, river, agricultural,
clear water, and grassland. The developed classification algorithm yielded a
high accuracy (99%) for the image before the collapse. This paper determines
land cover impact using two different models, 1) by using the trained network
in the "after" image, and 2) by creating a second network, trained in a subset
of points of the "after" image, and then comparing the land cover results of
the two trained networks. In the first model, applying the trained network to
the "after" image, the accuracy is still high (86%), but lower than using the
second model (98%). This strategy can be applied at a low cost for monitoring
and assessment by using openly available satellite information and, in case of
dam collapse or with a larger budget, higher resolution and faster data can be
obtained by fly-overs on the area of concern.
- Abstract（参考訳）: 衛星画像を用いたダム障害の監視は、早期介入の効率的な管理を第一応答者に提供する。
また, 浸水域の空間的・時間的変化を計測し, 災害後の回復を追跡することも重要である。
2019年1月25日、ブラジルのブルマディンホにあるC'orrego do Feij\~ao鉄鉱石鉱山の尾化ダムが崩壊した。
この災害は230人以上の死者と30人の行方不明者を引き起こし、数十億ドルの注文で損傷を引き起こしました。
本研究は,sentinel-2衛星画像を用いて浸水地域をマッピングし,ダム崩壊に伴う土地利用と土地被覆を評価する。
画像は1月22日(3日前)と2月02日(崩壊から7日後)のデータキャプチャに対応する。
この地域の衛星画像は、機械学習アルゴリズムを実装した災害の前後に分類された。
アルゴリズムの品質と精度を評価するのに十分な土地被覆タイプを確保するため,鉱山,森林,造成,河川,農業,清水,草原の7つのクラスが定義された。
開発した分類アルゴリズムは、崩壊前の画像に対して高い精度(99%)を得た。
本論文は,2つの異なるモデルを用いて土地被覆の影響を判定する。1)「アフター」画像における訓練されたネットワークを用いて,2)「アフター」画像の点のサブセットで訓練された第2のネットワークを作成し,次に2つの訓練されたネットワークの土地被覆結果を比較する。
第1のモデルでは、トレーニングされたネットワークを"after"イメージに適用した場合、精度は依然として高く(86%)、第2のモデル(98%)より低い。
この戦略は、オープンに利用可能な衛星情報を用いて、低コストで監視および評価に応用でき、ダム崩壊時や予算の大きい場合には、懸念領域でのフライオーバーによって、より高い解像度とより高速なデータを得ることができる。
関連論文リスト
- Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。
地上画像ごとに正の衛星画像と負の衛星画像を導き出す。
また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
論文 参考訳（メタデータ） (2024-09-10T12:57:16Z) - Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。
低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。
我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文 参考訳（メタデータ） (2024-05-22T16:07:05Z) - 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) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Fully convolutional Siamese neural networks for buildings damage
assessment from satellite images [1.90365714903665]
自然災害後の被害評価は、災害から回復するための援助と力を最適に分配するために必要である。
本研究では,災害前後における同地域の衛星画像の自動比較のための計算手法を開発した。
我々は、広範囲にわたるアブレーション研究を含み、異なるエンコーダ、デコーダ、損失関数、拡張、および2つの画像を組み合わせるいくつかの方法を比較する。
論文 参考訳（メタデータ） (2021-10-31T14:18:59Z) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳（メタデータ） (2021-10-12T06:31:54Z) - BDANet: Multiscale Convolutional Neural Network with Cross-directional
Attention for Building Damage Assessment from Satellite Images [24.989412626461213]
衛星画像からの損傷評価は、救援活動が展開される前に重要となる。
深いニューラルネットワークは建物の損傷評価に首尾よく適用されました。
本稿では,bdanetと呼ばれる損傷評価のための2段階畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-05-16T06:13:28Z) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。
この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。
本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
論文 参考訳（メタデータ） (2020-12-15T21:30:19Z) - Water level prediction from social media images with a multi-task
ranking approach [0.0]
本稿では,洪水時のソーシャルメディア画像から水深を推定するコンピュータビジョンシステムを提案する。
本稿では,回帰学習とペアランキング損失の両方を用いてモデルを訓練するマルチタスク学習手法を提案する。
提案手法は,11cmの根平均平方誤差を持つ1つのクラウドソース画像から,水位を推定できることを示す。
論文 参考訳（メタデータ） (2020-07-14T00:51:29Z) - MSNet: A Multilevel Instance Segmentation Network for Natural Disaster
Damage Assessment in Aerial Videos [74.22132693931145]
本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。
最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。
第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
論文 参考訳（メタデータ） (2020-06-30T02:23:05Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。