論文の概要: Global canopy height estimation with GEDI LIDAR waveforms and Bayesian
deep learning
- arxiv url: http://arxiv.org/abs/2103.03975v1
- Date: Fri, 5 Mar 2021 23:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 15:49:30.835936
- Title: Global canopy height estimation with GEDI LIDAR waveforms and Bayesian
deep learning
- Title(参考訳): GEDI LIDAR波形とベイズ深層学習による世界キャノピー高さ推定
- Authors: Nico Lang, Nikolai Kalischek, John Armston, Konrad Schindler, Ralph
Dubayah, Jan Dirk Wegner
- Abstract要約: NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。
本稿では,GEDI波形とレグレッション・キャノピー・トップハイトを世界規模で解釈する新しい教師付き機械学習手法を提案する。
- 参考スコア(独自算出の注目度): 20.692092680921274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate
mission whose goal is to advance our understanding of the role of forests in
the global carbon cycle. While GEDI is the first space-based LIDAR explicitly
optimized to measure vertical forest structure predictive of aboveground
biomass, the accurate interpretation of this vast amount of waveform data
across the broad range of observational and environmental conditions is
challenging. Here, we present a novel supervised machine learning approach to
interpret GEDI waveforms and regress canopy top height globally. We propose a
Bayesian convolutional neural network (CNN) to avoid the explicit modelling of
unknown effects, such as atmospheric noise. The model learns to extract robust
features that generalize to unseen geographical regions and, in addition,
yields reliable estimates of predictive uncertainty. Ultimately, the global
canopy top height estimates produced by our model have an expected RMSE of 2.7
m with low bias.
- Abstract(参考訳): NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。
GEDIは、地上のバイオマスを推定する垂直森林構造を測定するために明示的に最適化された最初の宇宙ベースのLIDARであるが、この膨大な波形データの幅広い観測および環境条件の正確な解釈は困難である。
本稿では,gedi波形とレグレッシブキャノピー頂高さをグローバルに解釈するための教師あり機械学習手法を提案する。
本研究では,大気雑音などの未知効果の明確なモデル化を避けるために,ベイズ畳み込みニューラルネットワーク(CNN)を提案する。
このモデルは、目に見えない地理的領域に一般化するロバストな特徴を抽出し、さらに予測の不確実性の信頼性を推定する。
最終的に、私たちのモデルによって生成されたグローバルキャノピートップ高さ推定は、低バイアスで2.7 mの予想RMSEを持っています。
関連論文リスト
- A Geospatial Approach to Predicting Desert Locust Breeding Grounds in
Africa [4.02300146952738]
ロカスト群れは農業と食料安全保障に 大きな脅威を与えます
本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
論文 参考訳(メタデータ) (2024-03-11T16:13:58Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Very high resolution canopy height maps from RGB imagery using
self-supervised vision transformer and convolutional decoder trained on
Aerial Lidar [14.07306593230776]
本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。
地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。
また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
論文 参考訳(メタデータ) (2023-04-14T15:52:57Z) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - A high-resolution canopy height model of the Earth [22.603549892832753]
我々は,2020年に初めて,地上10mのキャノピー高さマップを提出した。
我々は,地球上の任意の場所でSentinel-2画像から天蓋の高さを推定する確率論的深層学習モデルを開発した。
我々のモデルは、一貫した不確実性のあるグローバルマッピングを可能にし、継続的なモニタリングをサポートし、変化を検出し、意思決定に通知する。
論文 参考訳(メタデータ) (2022-04-13T10:34:32Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - 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) - Predicting Critical Biogeochemistry of the Southern Ocean for Climate
Monitoring [1.8689461238197955]
我々は、南洋のケイ酸塩とリン酸塩の値を、温度、圧力、塩分濃度、酸素、硝酸塩、位置から予測するためにニューラルネットワークを訓練する。
これらのモデルを地球系モデル(ESM)およびBGC-Argoデータに適用し、この海洋観測ネットワークの有用性を拡大する。
論文 参考訳(メタデータ) (2021-10-30T00:13:46Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
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。