論文の概要: Understanding Urban Water Consumption using Remotely Sensed Data
- arxiv url: http://arxiv.org/abs/2205.02932v1
- Date: Tue, 3 May 2022 08:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 01:22:13.809037
- Title: Understanding Urban Water Consumption using Remotely Sensed Data
- Title(参考訳): リモートセンシングデータを用いた都市水消費の理解
- Authors: Shaswat Mohanty, Anirudh Vijay, Shailesh Deshpande
- Abstract要約: この分析は、エレガントな機械学習アルゴリズムを実装することで、手動で実施することができる。
本調査では,衛星画像で捉えた地域の建物における水消費量を推定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban metabolism is an active field of research that deals with the
estimation of emissions and resource consumption from urban regions. The
analysis could be carried out through a manual surveyor by the implementation
of elegant machine learning algorithms. In this exploratory work, we estimate
the water consumption by the buildings in the region captured by satellite
imagery. To this end, we break our analysis into three parts: i) Identification
of building pixels, given a satellite image, followed by ii) identification of
the building type (residential/non-residential) from the building pixels, and
finally iii) using the building pixels along with their type to estimate the
water consumption using the average per unit area consumption for different
building types as obtained from municipal surveys.
- Abstract(参考訳): 都市代謝は、都市部からの排出と資源消費を推定する研究の活発な分野である。
この分析は、エレガントな機械学習アルゴリズムを実装することで、手動で実施することができる。
本研究は,衛星画像で捉えた地域の建物による水消費量を推定するものである。
この目的のために、分析を3つの部分に分けます。
一 衛星画像が与えられ、次に続く建物画素の識別
二 建物の種類(居住/非居住)を建物画素から識別し、最後
三 都道府県の調査結果から得られた建物の種類別に、建物ピクセルとそれらのタイプを用いて、単位面積当たりの平均水消費量を推定すること。
関連論文リスト
- Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳(メタデータ) (2023-11-15T18:49:29Z) - Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators
from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。
機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。
本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
論文 参考訳(メタデータ) (2023-09-28T19:30:26Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳(メタデータ) (2023-01-04T05:19:33Z) - Semi-supervised Identification and Mapping of Surface Water Extent using
Street-level Monitoring Videos [1.0152838128195467]
本稿では,斜め監視カメラの映像から表面水深認識のための半教師付きセグメンテーション手法を提案する。
このアルゴリズムは水の境界を決定するのに適し, 監視ビデオの画素のジオレファレンスにモノプロイト法をうまく適用した。
この研究のワークフローと手法は、他の街路面や地表面のプロセスを研究する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2022-01-31T21:27:37Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳(メタデータ) (2022-01-12T14:48:11Z) - IS-COUNT: Large-scale Object Counting from Satellite Images with
Covariate-based Importance Sampling [90.97859312029615]
本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。
提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
論文 参考訳(メタデータ) (2021-12-16T18:59:29Z) - Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial
Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。
データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
論文 参考訳(メタデータ) (2020-12-23T21:48:47Z) - Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery
And Digital Elevation Models [0.0]
Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。
実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
論文 参考訳(メタデータ) (2020-12-11T18:42:15Z) - Detecting the Presence of Vehicles and Equipment in SAR Imagery Using
Image Texture Features [0.0]
低解像度SAR画像における人為的・建設的活動のモニタリング手法を提案する。
我々のデータソースは欧州宇宙機関(ESA)のSentinel-l衛星で、12日間のリビジットレートで地球をカバーしています。
探索的データセットを用いて、サポートベクターマシン(SVM)、ランダムなバイナリフォレスト、完全に接続されたニューラルネットワークの分類を訓練した。
論文 参考訳(メタデータ) (2020-09-10T13:59:52Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳(メタデータ) (2020-08-21T03:16:51Z)
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。