論文の概要: GLOBUS: GLObal Building heights for Urban Studies
- arxiv url: http://arxiv.org/abs/2205.12224v1
- Date: Tue, 24 May 2022 17:34:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 16:40:54.835083
- Title: GLOBUS: GLObal Building heights for Urban Studies
- Title(参考訳): globus: 都市研究のためのグローバル・ビルディング・ハイツ
- Authors: Harsh G. Kamath, Manmeet Singh, Lori A. Magruder, Zong-Liang Yang, Dev
Niyogi
- Abstract要約: 本稿では,GLObal Building heights for Urban Studies (GLOBUS) と呼ばれるディープニューラルネットワーク (DNN) から得られた新しいレベル・オブ・ディーテール-1 (LoD-1) 構築データセットを紹介する。
GLOBUSからの建築情報は,都市ヒートアイランド(UHI)効果などの局所的な現象を研究するために,数値気象予報(NWP)や都市エネルギー収支モデルに取り入れることができる。
- 参考スコア(独自算出の注目度): 0.13999481573773068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban weather and climate studies continue to be important as extreme events
cause economic loss and impact public health. Weather models seek to represent
urban areas but are oversimplified due to data availability, especially
building information. This paper introduces a novel Level of Detail-1 (LoD-1)
building dataset derived from a Deep Neural Network (DNN) called GLObal
Building heights for Urban Studies (GLOBUS). GLOBUS uses open-source datasets
as predictors: Advanced Land Observation Satellite (ALOS) Digital Surface Model
(DSM) normalized using Shuttle Radar Topography Mission (SRTM) Digital
Elevation Model (DEM), Landscan population density, and building footprints.
The building information from GLOBUS can be ingested in Numerical Weather
Prediction (NWP) and urban energy-water balance models to study localized
phenomena such as the Urban Heat Island (UHI) effect. GLOBUS has been trained
and validated using the United States Geological Survey (USGS) 3DEP Light
Detection and Ranging (LiDAR) data. We used data from 5 US cities for training
and the model was validated over 6 cities. Performance metrics are computed at
a spatial resolution of 300-meter. The Root Mean Squared Error (RMSE) and Mean
Absolute Percentage Error (MAPE) were 5.15 meters and 28.8 %, respectively. The
standard deviation and histogram of building heights over a 300-meter grid are
well represented using GLOBUS.
- Abstract(参考訳): 極端な出来事が経済的損失を招き、公衆衛生に影響を及ぼすため、都市気候と気候の研究は引き続き重要である。
気象モデルは都市部を表現しようとするが、データの可用性、特に建築情報により単純化されている。
本稿では,GLObal Building heights for Urban Studies (GLOBUS) と呼ばれるディープニューラルネットワーク(DNN)から得られた,新たなDetail-1(LoD-1)構築データセットを紹介する。
globusはオープンソースのデータセットを予測器として使っている: advanced land observation satellite (alos) digital surface model (dsm) shuttle radar topography mission (srtm) digital elevation model (dem) landscan population density, and building footprints。
GLOBUSからの建築情報は,都市ヒートアイランド(UHI)効果などの局所的な現象を研究するために,数値気象予報(NWP)や都市エネルギー収支モデルに取り入れることができる。
GLOBUSは米国地質調査所(USGS)の3DEP光検出およびラングリング(LiDAR)データを用いて訓練され、検証されている。
私たちは5つの米国都市のデータをトレーニングに使用し、モデルを6都市で検証しました。
性能指標は空間分解能300mで計算される。
Root Mean Squared Error (RMSE)とMean Absolute Percentage Error (MAPE)はそれぞれ5.15mと28.8%であった。
建物の高さの標準偏差とヒストグラムはGLOBUSを用いてよく表現されている。
関連論文リスト
- A global product of fine-scale urban building height based on spaceborne
lidar [14.651500878252723]
我々は2020年ごろに150mの細いグリッドサイズを基準に,都市ビルの高さの最新のグローバルな製品を提供する。
GEDIデータに基づく高さ推定法は, ピアソンrの0.78, RMSEの3.67mで有効であった。
この研究は、気候、環境、生態学、社会科学など多くの分野にわたる将来の都市研究を促進するだろう。
論文 参考訳(メタデータ) (2023-10-22T16:51:15Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳(メタデータ) (2023-08-24T16:20:00Z) - Digital elevation model correction in urban areas using extreme gradient
boosting, land cover and terrain parameters [0.0]
南アフリカのケープタウン上空で2台の中分解能30m DEMの精度を高めるために, 極勾配促進(XGBoost)アンサンブルアルゴリズムを採用した。
トレーニングデータセットは、標高、都市フットプリント、斜面、アスペクト、表面粗さ、地形位置指数、地形粗さ指数、地形表面テクスチャ、ベクトル粗さ測定、森林被覆、裸地被覆を含む11の予測変数からなる。
論文 参考訳(メタデータ) (2023-08-12T12:03:31Z) - 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) - WEDGE: A multi-weather autonomous driving dataset built from generative
vision-language models [51.61662672912017]
本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。
WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。
53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
論文 参考訳(メタデータ) (2023-05-12T14:42:47Z) - 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) - Urban precipitation downscaling using deep learning: a smart city
application over Austin, Texas, USA [0.11726720776908518]
都市ダウンスケーリングは、粗い気候情報から都市規模の評価に知識を移すためのリンクである。
粗い(10km)衛星ベース(JAXA GsMAP)からの高分解能格子状降水物(300m)の開発について述べる。
この結果は,高解像度格子状降雨都市データセットの開発やスマートシティの今後の計画に影響を及ぼす。
論文 参考訳(メタデータ) (2022-08-15T12:42:20Z) - 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) - A CNN based method for Sub-pixel Urban Land Cover Classification using
Landsat-5 TM and Resourcesat-1 LISS-IV Imagery [0.0]
本稿では,Landsat-5 TMとResourcesat-1 LISS-IVの時間重なりを利用したサブピクセル分類法を提案する。
畳み込みニューラルネットワークを用いて30m Landsat-5 TMデータから土地被覆マップを推定する。
論文 参考訳(メタデータ) (2021-12-16T12:48:37Z) - A Semantic Segmentation Network for Urban-Scale Building Footprint
Extraction Using RGB Satellite Imagery [1.9400948599830012]
都市部は世界のエネルギーの3分の2以上を消費し、世界のCO2排出量の70%以上を占めています。
3チャンネルのRGB衛星画像から建物の足跡のマスクを生成するために、拡張ResNetバックボーンを備えた変更されたDeeplabV3+モジュールを提案します。
3つの標準ベンチマークで最先端のパフォーマンスを達成し,衛星画像の規模,解像度,都市密度に依存しないことを実証した。
論文 参考訳(メタデータ) (2021-04-02T22:32:04Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳(メタデータ) (2020-09-07T14:47:07Z)
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。