論文の概要: Deep Learning-based Damage Mapping with InSAR Coherence Time Series
- arxiv url: http://arxiv.org/abs/2105.11544v1
- Date: Mon, 24 May 2021 21:21:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 13:49:40.320202
- Title: Deep Learning-based Damage Mapping with InSAR Coherence Time Series
- Title（参考訳）: InSARコヒーレンス時系列を用いた深層学習に基づく損傷マッピング
- Authors: Oliver L. Stephenson, Tobias K\"ohne, Eric Zhan, Brent E. Cahill,
Sang-Ho Yun, Zachary E. Ross, Mark Simons
- Abstract要約: 本研究では, 深層学習とSAR観測のフルタイム履歴を組み合わせた損傷マッピング手法を提案する。
我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。
本研究では,Sentinel-1 SAR の複数年連続取得による3つの地震の被害予測に本手法を適用した。
- 参考スコア（独自算出の注目度）: 3.286503080462008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite remote sensing is playing an increasing role in the rapid mapping
of damage after natural disasters. In particular, synthetic aperture radar
(SAR) can image the Earth's surface and map damage in all weather conditions,
day and night. However, current SAR damage mapping methods struggle to separate
damage from other changes in the Earth's surface. In this study, we propose a
novel approach to damage mapping, combining deep learning with the full time
history of SAR observations of an impacted region in order to detect anomalous
variations in the Earth's surface properties due to a natural disaster. We
quantify Earth surface change using time series of Interferometric SAR
coherence, then use a recurrent neural network (RNN) as a probabilistic anomaly
detector on these coherence time series. The RNN is first trained on pre-event
coherence time series, and then forecasts a probability distribution of the
coherence between pre- and post-event SAR images. The difference between the
forecast and observed co-event coherence provides a measure of the confidence
in the identification of damage. The method allows the user to choose a damage
detection threshold that is customized for each location, based on the local
behavior of coherence through time before the event. We apply this method to
calculate estimates of damage for three earthquakes using multi-year time
series of Sentinel-1 SAR acquisitions. Our approach shows good agreement with
observed damage and quantitative improvement compared to using pre- to co-event
coherence loss as a damage proxy.
- Abstract（参考訳）: 衛星リモートセンシングは,自然災害後の被害の迅速なマッピングにおいて,その役割を担っている。
特に、合成開口レーダー(SAR)は地球の表面を撮像し、すべての気象条件、昼夜の損傷を地図化することができる。
しかし、現在のSARの損傷マッピング手法は、地球表面の他の変化から損傷を分離するのに苦労している。
本研究では,自然災害による地球表面性状の異常な変化を検出するために,深層学習とsar観測のフルタイム履歴を組み合わせた新しい損傷マッピング手法を提案する。
我々は、インターフェロメトリSARコヒーレンス時系列を用いて地球表面の変化を定量化し、これらのコヒーレンス時系列上の確率的異常検出器としてリカレントニューラルネットワーク(RNN)を用いる。
RNNはまず、事前のコヒーレンス時系列に基づいて訓練され、その後、事前のSAR画像と後的なSAR画像のコヒーレンス分布の確率分布を予測する。
予測と観測された共同事象のコヒーレンスの違いは、損傷の識別に対する信頼度を測る指標となる。
本手法では,イベント前におけるコヒーレンスの局所的挙動に基づいて,各場所ごとにカスタマイズされた損傷検出しきい値を選択することができる。
本研究では,sentinel-1 sar取得の複数年時系列を用いた3つの地震の被害予測手法を提案する。
本手法は, コヒーレンス損失を損傷プロキシとして用いる場合と比較して, 観察された損傷と量的改善との良好な一致を示した。
関連論文リスト
- Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-28T03:11:33Z) - Normalizing flow-based deep variational Bayesian network for seismic multi-hazards and impacts estimation from InSAR imagery [11.753558942419545]
インターフェロメトリ合成開口レーダ(InSAR)のデータは、迅速なハザード推定のために高解像度のオンサイト情報を提供する上で重要である。
InSAR画像のノイズによる影響と,複数の未観測障害の近接した後部から発生する流れの正規化による新しい変分推論を導入する。
論文 参考訳（メタデータ） (2023-10-20T20:32:43Z) - Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T18:56:05Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Interpretability in Convolutional Neural Networks for Building Damage
Classification in Satellite Imagery [0.0]
我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。
複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。
我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
論文 参考訳（メタデータ） (2022-01-24T16:55:56Z) - Deep Learning Methods for Daily Wildfire Danger Forecasting [6.763972119525753]
森林火災の予測は、災害リスクの低減と環境の持続可能性にとって最重要課題である。
我々は、過去10年間の歴史的地球観測データを用いて、日々の火災危険予測を機械学習タスクとしてアプローチし、火災の危険を予測する。
我々のDLベースの実証概念は、既存の運用ソリューションよりもはるかに高解像度で、全国規模の1日あたりの火災危険マップを提供する。
論文 参考訳（メタデータ） (2021-11-04T10:39:12Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳（メタデータ） (2020-11-20T10:30:43Z) - Learning from Multimodal and Multitemporal Earth Observation Data for
Building Damage Mapping [17.324397643429638]
我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。
グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。
我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
論文 参考訳（メタデータ） (2020-09-14T05:04:19Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。