論文の概要: Improving Global Forest Mapping by Semi-automatic Sample Labeling with
Deep Learning on Google Earth Images
- arxiv url: http://arxiv.org/abs/2108.04173v1
- Date: Fri, 6 Aug 2021 05:32:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:15:39.226676
- Title: Improving Global Forest Mapping by Semi-automatic Sample Labeling with
Deep Learning on Google Earth Images
- Title（参考訳）: Google Earth画像の深層学習による半自動サンプルラベリングによる地球規模の森林マッピングの改善
- Authors: Qian Shi, Xiaolei Qin, Lingyu Sun, Zitao Shen, Xiaoping Liu, Xiaocong
Xu, Jiaxin Tian, Rong Liu, Andrea Marinoni
- Abstract要約: この研究は、森林、低木、草地、不活地などに分類される395280個の散在する標本を含む、史上最大の森林サンプルセット(FSS)を構築しました。
利用者にガイドラインを提供するため,既存の30mGFC製品の局所マッピングとグローバルマッピングの精度を総合的に検証した。
グローブフォレスト2020という名の森林カバーが新たに作成され、これまでの最先端のアキュラシーを改善した。
- 参考スコア（独自算出の注目度）: 9.230313124889554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global forest cover is critical to the provision of certain ecosystem
services. With the advent of the google earth engine cloud platform, fine
resolution global land cover mapping task could be accomplished in a matter of
days instead of years. The amount of global forest cover (GFC) products has
been steadily increasing in the last decades. However, it's hard for users to
select suitable one due to great differences between these products, and the
accuracy of these GFC products has not been verified on global scale. To
provide guidelines for users and producers, it is urgent to produce a
validation sample set at the global level. However, this labeling task is time
and labor consuming, which has been the main obstacle to the progress of global
land cover mapping. In this research, a labor-efficient semi-automatic
framework is introduced to build a biggest ever Forest Sample Set (FSS)
contained 395280 scattered samples categorized as forest, shrubland, grassland,
impervious surface, etc. On the other hand, to provide guidelines for the
users, we comprehensively validated the local and global mapping accuracy of
all existing 30m GFC products, and analyzed and mapped the agreement of them.
Moreover, to provide guidelines for the producers, optimal sampling strategy
was proposed to improve the global forest classification. Furthermore, a new
global forest cover named GlobeForest2020 has been generated, which proved to
improve the previous highest state-of-the-art accuracies (obtained by Gong et
al., 2017) by 2.77% in uncertain grids and by 1.11% in certain grids.
- Abstract（参考訳）: 世界の森林被覆は、特定の生態系のサービスの提供に欠かせない。
google earth engine cloud platformの登場により、ファインレゾリューションのグローバル土地被覆マッピングタスクは、何年もではなく数日で完了することができる。
世界の森林被覆(GFC)生産量はここ数十年で着実に増加している。
しかし,これらの製品間の差異が大きいため,ユーザが適切な製品を選択することは困難であり,gfc製品の精度はグローバルスケールでは確認されていない。
ユーザとプロデューサのためのガイドラインを提供するには,グローバルレベルでの検証サンプルの作成が急務である。
しかし、このラベル付け作業は時間と労力の消費であり、地球規模の土地被覆地図作成の進展の主な障害となっている。
本研究では,森林,低木,草原,不耕起地など395280点の散在試料を含む,最大規模の森林試料セット(fss)を構築するための,労働効率の高い半自動的枠組みを提案する。
一方,ユーザに対してガイドラインを提供するため,既存の30m gfc製品の局所的およびグローバル的マッピング精度を包括的に検証し,それらの合意を解析・マッピングした。
さらに, 生産者を対象に, 地球規模の森林分類を改善するための最適サンプリング戦略を提案した。
さらに、globeforest2020と呼ばれる新しいグローバル森林カバーが作成され、以前の最先端のアキュラティ(gong et al.、2017年)を不確定格子で2.77%、特定の格子で1.11%改善した。
関連論文リスト
- Global Structure-from-Motion Revisited [57.30100303979393]
我々は,グローバルSfMにおける技術状況より優れた新しい汎用システムとして,GLOMAPを提案する。
精度とロバスト性の観点からは、最も広く使われている増分SfMであるCOLMAPよりも高い結果が得られる。
当社のシステムはオープンソース実装として共有しています。
論文 参考訳（メタデータ） (2024-07-29T17:54:24Z) - Fine-tuning of Geospatial Foundation Models for Aboveground Biomass Estimation [2.3429628556845405]
地上バイオマスを推定するための地理空間基盤モデルの微調整は、スクラッチから訓練されたU-Netに匹敵する性能を有する。
また、ブラジルの異なるエコリージョンのスパースラベルを用いた衛星画像の微調整により、モデルの伝達学習能力についても検討する。
論文 参考訳（メタデータ） (2024-06-28T12:54:10Z) - AGBD: A Global-scale Biomass Dataset [18.976975819550173]
衛星画像から地上バイオマスを推定するための既存のデータセットは限られている。
このデータセットは、GEDIミッションからのAGB参照データとSentinel-2とPALSAR-2の画像のデータを組み合わせる。
これには、密集した天蓋の高さマップ、標高マップ、土地被覆分類マップなど、事前処理された高水準の特徴が含まれている。
単一の行のコードで簡単にアクセスでき、グローバルなAGB推定への取り組みの確固たる基盤を提供する。
論文 参考訳（メタデータ） (2024-06-07T13:34:17Z) - Global High Categorical Resolution Land Cover Mapping via Weak Supervision [19.52604717907002]
我々は、弱教師付きドメイン適応(WSDA)のために、完全ラベル付きソースドメインと弱ラベル付きターゲットドメインを組み合わせることを提案する。
粗いラベルと粗いラベルを使用することで、精密かつ詳細な土地被覆アノテーションに必要な労力を大幅に軽減できるため、これは有益である。
我々は,PlanetScope,Gaofen-1,Sentinel-2の衛星画像を用いて,世界中の10都市を対象とした高分類分解能土地被覆マッピングを行った。
論文 参考訳（メタデータ） (2024-06-02T23:18:12Z) - Estimation of forest height and biomass from open-access multi-sensor
satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan
France [0.0]
本研究は、森林パラメータの局所マップを作成するために以前開発された機械学習アプローチを用いている。
我々はGEDI Lidarミッションを基準高度データとして,Sentinel-1,Sentinel-2,ALOS-2 PALSA-2の衛星画像を用いて森林高度を推定した。
高さマップは、アロメトリック方程式を用いて体積と地上のバイオマス(AGB)に導かれる。
論文 参考訳（メタデータ） (2023-10-23T07:58:49Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。
GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。
本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-08T05:34:15Z) - Mapping historical forest biomass for stock-change assessments at parcel
to landscape scales [0.0]
地図製品は、人為的にも自然的にも、どこで、いつ、そしてどのように森林の炭素在庫が変化しているかを特定するのに役立ちます。
これらの製品は、ストックチェンジアセスメント、レポートの監視、検証フレームワークなど、幅広いアプリケーションへのインプットとして機能する。
論文 参考訳（メタデータ） (2023-04-05T17:55:00Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - 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)
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。