論文の概要: Forestry digital twin with machine learning in Landsat 7 data

• arxiv url: http://arxiv.org/abs/2204.01709v1
• Date: Sat, 2 Apr 2022 14:14:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 06:48:49.621486
• Title: Forestry digital twin with machine learning in Landsat 7 data
• Title（参考訳）: ランドサット7号データに機械学習を組み込んだ森林デジタル双生児
• Authors: Xuetao Jiang, Meiyu Jiang, YuChun Gou, Qian Li, and Qingguo Zhou
• Abstract要約: 本研究では,20年以内にLandsat 7リモートセンシング画像を用いたLSTMを用いた森林モデリング手法を提案する。 実験結果から,本論文における予測双対法は,研究領域の将来像を効果的に予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.7142728048327458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling forests using historical data allows for more accurately evolution analysis, thus providing an important basis for other studies. As a recognized and effective tool, remote sensing plays an important role in forestry analysis. We can use it to derive information about the forest, including tree type, coverage and canopy density. There are many forest time series modeling studies using statistic values, but few using remote sensing images. Image prediction digital twin is an implementation of digital twin, which aims to predict future images bases on historical data. In this paper, we propose an LSTM-based digital twin approach for forest modeling, using Landsat 7 remote sensing image within 20 years. The experimental results show that the prediction twin method in this paper can effectively predict the future images of study area.
• Abstract（参考訳）: 歴史的データを用いた森林のモデリングにより、より正確な進化分析が可能となり、他の研究にとって重要な基盤となる。 リモートセンシングは,森林分析において重要な役割を担っている。 木の種類、被覆率、樹冠密度など、森林に関する情報を導き出すために利用することができる。 統計値を用いた森林時系列モデリング研究は数多くあるが,リモートセンシング画像を用いた場合はほとんどない。 画像予測デジタルツインはデジタルツインの実装であり、過去のデータに基づいて将来のイメージベースを予測することを目的としている。 本論文では,20年以内にLandsat 7リモートセンシング画像を用いたLSTMを用いた森林モデリング手法を提案する。 実験の結果,本稿の予測ツイン法は,研究領域の将来像を効果的に予測できることがわかった。

関連論文リスト

• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images [0.08749675983608168]
  プロットレベル測定を用いた事前学習モデルの対象領域へのモデル移行(ドメイン適応)。 森林構造と組成の異なる2つの異なるタイガ遺跡へのアプローチを実証した。 転送学習を活用することで、SeUNetの予測は2.70mと0.882のR$2$の根平均二乗誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2023-08-09T15:05:41Z)
• Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
  樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。 データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。 結果は、自律的な倒木作戦への有望な道を提供する。
  論文  参考訳（メタデータ） (2022-10-31T15:51:32Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Towards Targeted Change Detection with Heterogeneous Remote Sensing Images for Forest Mortality Mapping [0.0]
  イベントが使用される前のランドサット-5 テーママッパーイメージを使用し、RADARSAT-2 はイベント後の画像を提供する。 我々は最近開発された2つの領域間の翻訳のための深層学習手法を用いて、マルチスペクトル光と合成開口レーダ(SAR)の差画像を得る。
  論文  参考訳（メタデータ） (2022-02-28T19:32:52Z)
• Multi-Label Classification on Remote-Sensing Images [0.0]
  本報告は、アマゾン熱帯雨林の衛星画像チップに、さまざまな機械学習モデルと優れたディープラーニングモデルを通して、大気および様々な土地被覆や土地利用のクラスをラベル付けすることを目的としている。 今までのベストスコアは、F2測定値が0.927である。
  論文  参考訳（メタデータ） (2022-01-06T08:42:32Z)
• Learning Co-segmentation by Segment Swapping for Retrieval and Discovery [67.6609943904996]
  この研究の目的は、一対のイメージから視覚的に類似したパターンを効率的に識別することである。 画像中のオブジェクトセグメントを選択し、それを別の画像にコピーペーストすることで、合成トレーニングペアを生成する。 提案手法は,Brueghelデータセット上でのアートワークの詳細検索に対して,明確な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-29T16:51:16Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• From Physics-Based Models to Predictive Digital Twins via Interpretable Machine Learning [0.0]
  この研究は、物理モデルライブラリーからデータ駆動型デジタルツインを作成する方法論を開発する。 デジタルツインは、解釈可能な機械学習を使用して更新される。 このアプローチは、12フィートの翼幅無人航空機のための構造的デジタルツインの開発を通じて実証される。
  論文  参考訳（メタデータ） (2020-04-23T17:55:04Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)

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。