Fugu-MT 論文翻訳(概要): A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data

論文の概要: A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data

arxiv url: http://arxiv.org/abs/2208.08824v1
Date: Thu, 18 Aug 2022 13:30:56 GMT
ステータス: 処理完了
システム内更新日: 2022-08-19 13:46:30.647854
Title: A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data
Title（参考訳）: マルチソース地理空間データに基づく都市土地利用マッピングへの粗大なアプローチ
Authors: Qiaohua Zhou, Rui Cao
Abstract要約: 本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
参考スコア（独自算出の注目度）: 4.2968261363970095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Timely and accurate land use mapping is a long-standing problem, which is critical for effective land and space planning and management. Due to complex and mixed use, it is challenging for accurate land use mapping from widely-used remote sensing images (RSI) directly, especially for high-density cities. To address this issue, in this paper, we propose a coarse-to-fine machine learning-based approach for parcel-level urban land use mapping, integrating multisource geospatial data, including RSI, points-of-interest (POI), and area-of-interest (AOI) data. Specifically, we first divide the city into built-up and non-built-up regions based on parcels generated from road networks. Then, we adopt different classification strategies for parcels in different regions, and finally combine the classified results into an integrated land use map. The results show that the proposed approach can significantly outperform baseline method that mixes built-up and non-built-up regions, with accuracy increase of 25% and 30% for level-1 and level-2 classification, respectively. In addition, we examine the rarely explored AOI data, which can further boost the level-1 and level-2 classification accuracy by 13% and 14%. These results demonstrate the effectiveness of the proposed approach and also indicate the usefulness of AOIs for land use mapping, which are valuable for further studies.
Abstract（参考訳）: タイムリーで正確な土地利用マッピングは長年の課題であり、効率的な土地計画と管理には不可欠である。複雑で混在した使用のため、特に高密度都市において、広く使われているリモートセンシング画像(RSI)から直接の正確な土地利用マッピングが困難である。そこで本稿では,rsi,posi(points-of-interest)およびaoi(area-of-interest)データを含む多元地理空間データを統合した,パーセルレベルの都市土地利用マッピングのための粗い機械学習手法を提案する。具体的には、まず、道路網から生成された小包に基づいて、街をビルトアップ地域と非ビルトアップ地域に分けた。次に,異なる地域の小包に対して異なる分類戦略を採り,最終的にその分類結果を統合的土地利用マップにまとめる。提案手法は, 組立領域と非組立領域を混合したベースライン法において, レベル1とレベル2の分類において, 25%, 30%の精度向上を達成できることを示す。さらに,レベル1とレベル2の分類精度をさらに13%と14%向上させる,まれなaoiデータについても検討した。これらの結果は,提案手法の有効性を示すとともに,今後の研究に有用である土地利用地図におけるAOIsの有用性を示すものである。

関連論文リスト

Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis [12.025312586542318]
我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
論文参考訳（メタデータ） (2024-01-26T22:21:39Z)
GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文参考訳（メタデータ） (2023-10-10T00:03:23Z)
Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文参考訳（メタデータ） (2023-09-04T13:44:50Z)
MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文参考訳（メタデータ） (2023-01-11T03:05:12Z)
A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文参考訳（メタデータ） (2022-11-04T09:58:57Z)
Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文参考訳（メタデータ） (2021-12-02T17:10:52Z)
LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation [7.629717457706323]
LoveDAデータセットには3つの都市から166個の注釈付きオブジェクトを持つ5987個のHSRイメージが含まれている。 LoveDAデータセットは、土地被覆セマンティックセグメンテーションと教師なしドメイン適応(UDA)タスクの両方に適している。
論文参考訳（メタデータ） (2021-10-17T06:12:48Z)
A hierarchical deep learning framework for the consistent classification of land use objects in geospatial databases [8.703408520845645]
本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
論文参考訳（メタデータ） (2021-04-14T17:16:35Z)
GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文参考訳（メタデータ） (2021-03-07T02:16:24Z)
OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文参考訳（メタデータ） (2020-07-13T09:58:14Z)
A framework for large-scale mapping of human settlement extent from Sentinel-2 images via fully convolutional neural networks [0.0]
HSE情報(Human settlement extent)は、世界規模の都市化の貴重な指標である。本稿では,多スペクトルSentinel-2データからHSEを自動的にマッピングするディープラーニングベースのフレームワークを提案する。このフレームワークは、テスト領域に均等に分散された手動でラベル付けされたチェックポイントと、OpenStreetMapビルディングレイヤの両方に対して検証されている。
論文参考訳（メタデータ） (2020-01-31T16:23:34Z)

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。