論文の概要: Continental-scale land cover mapping at 10 m resolution over Europe (ELC10)

• arxiv url: http://arxiv.org/abs/2104.10922v1
• Date: Thu, 22 Apr 2021 08:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 14:04:53.074170
• Title: Continental-scale land cover mapping at 10 m resolution over Europe (ELC10)
• Title（参考訳）: ヨーロッパ上空10mの大陸規模の土地被覆マッピング(ELC10)
• Authors: Zander S. Venter, Markus A.K. Sydenham
• Abstract要約: 衛星駆動機械学習のワークフローに基づいて,欧州の高解像度(10m)土地被覆地図(elc10)を提案する。 ランダムフォレスト分類モデルはLUCASデータセットから70K地点で訓練された。 この地図は8つの土地被覆クラスで90%の正確さを達成し、3.9%以内に統計単位の土地被覆率を計算できた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Widely used European land cover maps such as CORINE are produced at medium spatial resolutions (100 m) and rely on diverse data with complex workflows requiring significant institutional capacity. We present a high resolution (10 m) land cover map (ELC10) of Europe based on a satellite-driven machine learning workflow that is annually updatable. A Random Forest classification model was trained on 70K ground-truth points from the LUCAS (Land Use/Cover Area frame Survey) dataset. Within the Google Earth Engine cloud computing environment, the ELC10 map can be generated from approx. 700 TB of Sentinel imagery within approx. 4 days from a single research user account. The map achieved an overall accuracy of 90% across 8 land cover classes and could account for statistical unit land cover proportions within 3.9% (R2 = 0.83) of the actual value. These accuracies are higher than that of CORINE (100 m) and other 10-m land cover maps including S2GLC and FROM-GLC10. We found that atmospheric correction of Sentinel-2 and speckle filtering of Sentinel-1 imagery had minimal effect on enhancing classification accuracy (< 1%). However, combining optical and radar imagery increased accuracy by 3% compared to Sentinel-2 alone and by 10% compared to Sentinel-1 alone. The conversion of LUCAS points into homogenous polygons under the Copernicus module increased accuracy by <1%, revealing that Random Forests are robust against contaminated training data. Furthermore, the model requires very little training data to achieve moderate accuracies - the difference between 5K and 50K LUCAS points is only 3% (86 vs 89%). At 10-m resolution, the ELC10 map can distinguish detailed landscape features like hedgerows and gardens, and therefore holds potential for aerial statistics at the city borough level and monitoring property-level environmental interventions (e.g. tree planting).
• Abstract（参考訳）: CORINEのような広く使われているヨーロッパの土地被覆地図は、中程度の空間解像度 (100 m) で作成され、複雑なワークフローを持つ多様なデータに依存している。 衛星駆動機械学習のワークフローに基づいて,欧州の高解像度 (10 m) ランドカバーマップ (ELC10) を提案する。 LUCAS(Land Use/Cover Area frame Survey)データセットから,ランダムフォレスト分類モデルを70K地点で訓練した。 Google Earth Engineのクラウドコンピューティング環境において、ECC10マップは近似から生成される。 700tbのセンチネル画像が得られた。 調査ユーザー1名から4日。 この地図は8つの土地被覆クラスで90%の精度を達成し、実際の値の3.9% (r2 = 0.83) 以内の統計単位土地被覆率を計算できた。 CORINE (100 m) や S2GLC や From-GLC10 など 10 m の陸地カバーマップよりも高い。 その結果,センチネル-2の大気補正とセンチネル-1画像のスペックルフィルタリングは,分類精度の向上にほとんど影響を与えなかった(<1%)。 しかし、光学画像とレーダー画像の組み合わせにより、センチネル2単独で3%、センチネル1単独で10%の精度が向上した。 LUCAS点のコペルニクス加群による均質多角形への変換は精度を1%向上させ、ランダムフォレストは汚染された訓練データに対して堅牢であることを示した。 さらに、5Kと50KのLUCASポイントの違いはわずか3%(86対89%)である。 10mの解像度で、ECC10マップは、生け垣や庭園のような詳細な景観の特徴を区別することができ、都市部レベルでの航空統計と資産レベルの環境介入(例)の監視の可能性を秘めている。 植樹)。

関連論文リスト

• Boosting 3-DoF Ground-to-Satellite Camera Localization Accuracy via Geometry-Guided Cross-View Transformer [66.82008165644892]
  地上レベルの画像と一致/検索衛星画像との相対的な回転と変換を推定することにより、地上カメラの位置と方向の精度を向上させる手法を提案する。 実験の結果,本手法は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-16T11:52:27Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• 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)
• High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
  マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。 モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。 針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
  論文  参考訳（メタデータ） (2022-12-20T14:14:37Z)
• Deep learning based landslide density estimation on SAR data for rapid response [0.8208704543835964]
  本研究の目的は,SAR(Synthetic Aperture Radar)衛星画像を用いて地すべり密度の推定を行い,緊急時の資源の優先順位を決定することである。 米国地質調査所(USGS)の地すべり調査データを用いて,プエルトリコのハリケーン・マリア(Hurricane Mar'ia)の後に専門家が注釈を付けた。 本手法は,チップレベルでの正密度推定クラスの予測において0.814 AUCを得る。
  論文  参考訳（メタデータ） (2022-11-18T16:50:02Z)
• High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
  温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。 ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。 我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
  論文  参考訳（メタデータ） (2022-05-17T17:53:50Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• 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)
• From parcel to continental scale -- A first European crop type map based on Sentinel-1 and LUCAS Copernicus in-situ observations [0.0]
  我々は、2018年のS1AとS1Bレーダー観測に基づいて、EUの空間分解能10mで最初の大陸型作物マップを提示する。 本稿では,このEUの作物地図の精度を3つのアプローチで評価する。 第2に、EU加盟国6か国または合計3Mパーセル8.21Mhaの地域からの農作物の主作物種別について、精度評価を行う。
  論文  参考訳（メタデータ） (2021-05-19T17:17:45Z)

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。