論文の概要: Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models
- arxiv url: http://arxiv.org/abs/2112.12510v1
- Date: Wed, 22 Dec 2021 11:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-25 05:04:05.812889
- Title: Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models
- Title（参考訳）: 光グラフデジタル表面モデルによる河面標高推定のためのニューロ進化深層学習アーキテクチャ
- Authors: Rados{\l}aw Szostak, Marcin Pietro\'n, Miros{\l}aw Zimnoch,
Przemys{\l}aw Wachniew, Pawe{\l} \'Cwi\k{a}ka{\l}a, Edyta Puniach
- Abstract要約: 機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。
データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Development of the new methods of surface water observation is crucial in the
perspective of increasingly frequent extreme hydrological events related to
global warming and increasing demand for water. Orthophotos and digital surface
models (DSMs) obtained using UAV photogrammetry can be used to determine the
Water Surface Elevation (WSE) of a river. However, this task is difficult due
to disturbances of the water surface on DSMs caused by limitations of
photogrammetric algorithms. In this study, machine learning was used to extract
a WSE value from disturbed photogrammetric data. A brand new dataset has been
prepared specifically for this purpose by hydrology and photogrammetry experts.
The new method is an important step toward automating water surface level
measurements with high spatial and temporal resolution. Such data can be used
to validate and calibrate of hydrological, hydraulic and hydrodynamic models
making hydrological forecasts more accurate, in particular predicting extreme
and dangerous events such as floods or droughts. For our knowledge this is the
first approach in which dataset was created for this purpose and deep learning
models were used for this task. Additionally, neuroevolution algorithm was set
to explore different architectures to find local optimal models and
non-gradient search was performed to fine-tune the model parameters. The
achieved results have better accuracy compared to manual methods of determining
WSE from photogrammetric DSMs.
- Abstract（参考訳）: 新しい表面水観測法の開発は、地球温暖化や水需要の増加に関連する水文学的事象の頻繁化の観点から重要である。
uavフォトグラメトリーによって得られたオルソ写真とデジタル表面モデル(dsms)は、川の水面高度(wse)を決定するのに使うことができる。
しかし、この課題は、光グラム法アルゴリズムの限界によるDSM上の水面の乱れにより困難である。
本研究では,乱れたフォトグラムデータからwse値を抽出するために機械学習を用いた。
この目的のために、水文学とフォトグラムメトリーの専門家によって、新しいデータセットが作られた。
新たな手法は,高空間分解能と時間分解能で水面レベル測定を自動化するための重要なステップである。
このようなデータは、特に洪水や干ばつのような極端で危険な事象を予測し、より正確な水文、水文、流体力学モデルの検証と校正に利用することができる。
私たちの知る限り、これはこの目的のためにデータセットを作成し、このタスクにディープラーニングモデルを使用した最初のアプローチです。
さらに、局所最適モデルを見つけるために異なるアーキテクチャを探索するために神経進化アルゴリズムが設定され、モデルパラメータを微調整するために非段階探索が行われた。
得られた結果は、フォトグラムDSMからWSEを決定する手作業よりも精度がよい。
関連論文リスト
- Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。
我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
論文 参考訳（メタデータ） (2023-09-29T03:33:53Z) - DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳（メタデータ） (2023-05-02T18:06:21Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein
Distance in Deep Feature Space [67.07476542850566]
本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。
品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。
ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
論文 参考訳（メタデータ） (2022-08-05T02:46:12Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - High-resolution rainfall-runoff modeling using graph neural network [0.0]
本研究では,高分解能降水データから空間情報をフル活用する新しい深層学習モデルを提案する。
GNRRMは過度に適合せず、モデル性能を大幅に改善した。
論文 参考訳（メタデータ） (2021-10-21T00:12:02Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳（メタデータ） (2021-09-27T09:19:53Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T10:11:45Z)
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。