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

• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• 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)
• Deep Learning for Surface Wave Identification in Distributed Acoustic Sensing Data [1.7237878022600697]
  実データ,複雑なDASデータを処理するための,高度にスケーラブルで効率的なアプローチを提案する。 深い教師付き学習は、人類活動によって生じる「有用な」コヒーレントな表面波を特定するために用いられる。 本手法は,地中活動と埋設センサとの相互作用を記述した解釈パターンを提供する。
  論文  参考訳（メタデータ） (2020-10-15T15:53:03Z)
• 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。