Fugu-MT 論文翻訳(概要): Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning

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

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
3D-SAR Tomography and Machine Learning for High-Resolution Tree Height Estimation [4.1942958779358674]
バイオマス計算の鍵となる木の高さは、合成開口レーダ(SAR)技術を用いて測定することができる。本研究では,2つのSAR製品から森林高度データを抽出するために機械学習を適用した。我々は,ドイツのアイフェル国立公園のSARおよびLiDARデータを含むTtomoSenseデータセットを用いて,標高推定モデルの開発と評価を行った。
論文参考訳（メタデータ） (2024-09-09T14:07:38Z)
Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。 GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
論文参考訳（メタデータ） (2024-08-20T23:15:41Z)
Estimating Canopy Height at Scale [15.744009072839425]
衛星データに基づく世界規模キャノピー高さ推定のためのフレームワークを提案する。予測と地味ラベルを比較すると、MAE / RMSEは総計2.43/4.73(メートル)、樹高は4.45/6.72(メートル)となる。
論文参考訳（メタデータ） (2024-06-03T07:53:38Z)
Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
論文参考訳（メタデータ） (2024-01-31T16:44:20Z)
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 [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
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)
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)
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。