論文の概要: A review of machine learning in processing remote sensing data for
mineral exploration
- arxiv url: http://arxiv.org/abs/2103.07678v1
- Date: Sat, 13 Mar 2021 10:36:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 12:55:10.414829
- Title: A review of machine learning in processing remote sensing data for
mineral exploration
- Title(参考訳): 鉱物探査のためのリモートセンシングデータ処理における機械学習の展望
- Authors: Hojat Shirmard, Ehsan Farahbakhsh, Dietmar Muller, Rohitash Chandra
- Abstract要約: 本稿では,最近確立したリモートセンシングデータ処理のための機械学習手法の実装と適応について概説する。
異なる鉱床の探査への応用について研究している。
- 参考スコア(独自算出の注目度): 0.41998444721319217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As a primary step in mineral exploration, a variety of features are mapped
such as lithological units, alteration types, structures, and minerals. These
features are extracted to aid decision-making in targeting ore deposits.
Different types of remote sensing data including satellite optical and radar,
airborne, and drone-based data make it possible to overcome problems associated
with mapping these important parameters on the field. The rapid increase in the
volume of remote sensing data obtained from different platforms has allowed
scientists to develop advanced, innovative, and powerful data processing
methodologies. Machine learning methods can help in processing a wide range of
remote sensing data and in determining the relationship between the reflectance
continuum and features of interest. Moreover, these methods are robust in
processing spectral and ground truth measurements against noise and
uncertainties. In recent years, many studies have been carried out by
supplementing geological surveys with remote sensing data, and this area is now
considered a hotspot in geoscience research. This paper reviews the
implementation and adaptation of some popular and recently established machine
learning methods for remote sensing data processing and investigates their
applications for exploring different ore deposits. Lastly, the challenges and
future directions in this critical interdisciplinary field are discussed.
- Abstract(参考訳): 鉱物探査の第一段階として、リソロジー単位、変質タイプ、構造、鉱物などの様々な特徴がマッピングされる。
これらの特徴は鉱床をターゲットとした意思決定を支援するために抽出される。
衛星光とレーダー、空飛ぶ、およびドローンに基づくデータを含む異なる種類のリモートセンシングデータにより、これらの重要なパラメータをフィールドにマッピングする際の問題を克服することができる。
異なるプラットフォームから得られたリモートセンシングデータの量の増加により、科学者は高度で革新的で強力なデータ処理手法を開発できるようになった。
機械学習手法は、広範囲のリモートセンシングデータを処理し、反射率連続体と興味のある特徴との関係を決定するのに役立つ。
さらに、これらの手法は、ノイズや不確実性に対するスペクトルおよび地中真理測定の処理において堅牢である。
近年,リモートセンシングデータによる地質調査を補完して多くの研究が行われ,現在では地学研究のホットスポットとなっている。
本稿では,最近確立したリモートセンシングデータ処理のための機械学習手法の実装と適応について概説し,異なる鉱石鉱床を探索するための応用について検討する。
最後に,この学際的分野における課題と今後の方向性について考察する。
関連論文リスト
- Data-Centric Machine Learning for Geospatial Remote Sensing Data [14.875006009324721]
本研究では地理空間データに対する自動データ中心学習手法の定義と正確な分類について述べる。
我々は、補完的なデータ中心の視点に焦点を移すことが、エンドユーザーアプリケーションにおける精度、一般化能力、および真の影響のさらなる改善を達成するために必要であると主張している。
論文 参考訳(メタデータ) (2023-12-08T19:24:05Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - Tensor Decompositions for Hyperspectral Data Processing in Remote
Sensing: A Comprehensive Review [85.36368666877412]
ハイパースペクトル(HS)リモートセンシング(RS)イメージングは、地球表面の観測と分析のためにかなりの量の空間的およびスペクトル的情報を提供している。
近年のHS RS技術の進歩と革命は、様々な応用の可能性を実現する機会を与えている。
3次元HS固有の構造が維持されているため、テンソル分解はHSデータ処理タスクにおける幅広い関心や研究を引き起こしている。
論文 参考訳(メタデータ) (2022-05-13T00:39:23Z) - Spatiotemporal Fusion in Remote Sensing [1.2691047660244335]
データ品質はリモートセンシングアプリケーションを強化する鍵です。
テラバイトのリモートセンシングイメージを毎日取得することができる。
データ融合は、情報抽出、分析、品質改善のために非同期に取得された様々なソースのデータを統合する。
論文 参考訳(メタデータ) (2021-07-06T16:04:04Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳(メタデータ) (2021-04-09T01:38:34Z) - Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文 参考訳(メタデータ) (2020-12-07T13:35:08Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳(メタデータ) (2020-10-27T09:56:16Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳(メタデータ) (2020-06-22T19:01:21Z) - Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。
本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
論文 参考訳(メタデータ) (2020-04-05T05:36:37Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。