論文の概要: Country-wide Retrieval of Forest Structure From Optical and SAR
Satellite Imagery With Bayesian Deep Learning
- arxiv url: http://arxiv.org/abs/2111.13154v1
- Date: Thu, 25 Nov 2021 16:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 16:08:52.651104
- Title: Country-wide Retrieval of Forest Structure From Optical and SAR
Satellite Imagery With Bayesian Deep Learning
- Title(参考訳): ベイズ深層学習による光・SAR衛星画像からの森林構造の全国的検索
- Authors: Alexander Becker, Stefania Russo, Stefano Puliti, Nico Lang, Konrad
Schindler, Jan Dirk Wegner
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 74.94436509364554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring and managing Earth's forests in an informed manner is an important
requirement for addressing challenges like biodiversity loss and climate
change. While traditional in situ or aerial campaigns for forest assessments
provide accurate data for analysis at regional level, scaling them to entire
countries and beyond with high temporal resolution is hardly possible. In this
work, we propose a Bayesian deep learning approach to densely estimate forest
structure variables at country-scale with 10-meter resolution, using freely
available satellite imagery as input. Our method jointly transforms Sentinel-2
optical images and Sentinel-1 synthetic aperture radar images into maps of five
different forest structure variables: 95th height percentile, mean height,
density, Gini coefficient, and fractional cover. We train and test our model on
reference data from 41 airborne laser scanning missions across Norway and
demonstrate that it is able to generalize to unseen test regions, achieving
normalized mean absolute errors between 11% and 15%, depending on the variable.
Our work is also the first to propose a Bayesian deep learning approach so as
to predict forest structure variables with well-calibrated uncertainty
estimates. These increase the trustworthiness of the model and its suitability
for downstream tasks that require reliable confidence estimates, such as
informed decision making. We present an extensive set of experiments to
validate the accuracy of the predicted maps as well as the quality of the
predicted uncertainties. To demonstrate scalability, we provide Norway-wide
maps for the five forest structure variables.
- Abstract(参考訳): 地球上の森林をインフォームドで監視し管理することは、生物多様性の喪失や気候変動といった課題に対処する上で重要な要件である。
森林評価のための伝統的なin situや空中キャンペーンは、地域レベルでの正確な分析データを提供するが、それらを高時間分解能で全国に拡大することは不可能である。
本研究では,10mの解像度で森林構造変数を高精度に推定するベイズ型深層学習手法を提案する。
提案手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像とを5つの異なる森林構造変数(高さパーセンタイル,平均高さ,密度,ギニ係数,分数被覆)のマップに変換する。
ノルウェーの41の空中レーザースキャンミッションから得られた参照データに基づいてモデルを訓練し, 実験領域を一般化し, 変数によっては11%から15%の平均絶対誤差を正規化できることを実証した。
我々の研究は、よく校正された不確実性推定で森林構造変数を予測するためのベイズ深層学習手法を初めて提案した。
これにより、モデルの信頼性が向上し、インフォームド意思決定のような信頼できる信頼度見積を必要とする下流タスクに適合する。
予測地図の精度と予測された不確実性の品質を検証するための広範囲な実験結果を示す。
拡張性を示すために,5つの森林構造変数に対してノルウェー全土の地図を提供する。
関連論文リスト
- 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) - Accuracy and Consistency of Space-based Vegetation Height Maps for
Forest Dynamics in Alpine Terrain [18.23260742076316]
スイス国立森林調査所(NFI)は、0.5mの空間解像度で全国の植生高度マップを提供している。
これは、宇宙からのリモートセンシングと深層学習を用いて、大規模な植生高度マップを生成することで改善できる。
センチネル2衛星画像に基づいて,2017年から2020年までの10m地点で年間,全国の植生高度マップを作成した。
論文 参考訳(メタデータ) (2023-09-04T20:23:57Z) - 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) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - 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) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳(メタデータ) (2022-03-11T16:14:14Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳(メタデータ) (2021-01-05T18:54:11Z) - Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。
擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。
実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-09-27T13:26:16Z) - A global method to identify trees outside of closed-canopy forests with
medium-resolution satellite imagery [0.0]
密集した閉鎖性林の外の伐採された木は、炭素の隔離、生活支援、生態系の整合性維持、気候変動の適応と緩和に重要である。
クローズド・キャノピー林内の樹木とは対照的に,世界規模で散在する樹木の空間的広さと分布についてはあまり分かっていない。
中高分解能光・レーダ画像を用いて,3メートル以上の天蓋径の樹木を同定する一貫した手法を提案する。
論文 参考訳(メタデータ) (2020-05-13T15:58:01Z)
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。