論文の概要: Towards Daily High-resolution Inundation Observations using Deep
Learning and EO
- arxiv url: http://arxiv.org/abs/2208.09135v1
- Date: Wed, 10 Aug 2022 14:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:18:55.531566
- Title: Towards Daily High-resolution Inundation Observations using Deep
Learning and EO
- Title(参考訳): 深層学習とeoを用いた日々の高分解能浸水観測に向けて
- Authors: Antara Dasgupta, Lasse Hybbeneth, Bj\"orn Waske
- Abstract要約: 絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。
衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。
空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite remote sensing presents a cost-effective solution for synoptic
flood monitoring, and satellite-derived flood maps provide a computationally
efficient alternative to numerical flood inundation models traditionally used.
While satellites do offer timely inundation information when they happen to
cover an ongoing flood event, they are limited by their spatiotemporal
resolution in terms of their ability to dynamically monitor flood evolution at
various scales. Constantly improving access to new satellite data sources as
well as big data processing capabilities has unlocked an unprecedented number
of possibilities in terms of data-driven solutions to this problem.
Specifically, the fusion of data from satellites, such as the Copernicus
Sentinels, which have high spatial and low temporal resolution, with data from
NASA SMAP and GPM missions, which have low spatial but high temporal
resolutions could yield high-resolution flood inundation at a daily scale. Here
a Convolutional-Neural-Network is trained using flood inundation maps derived
from Sentinel-1 Synthetic Aperture Radar and various hydrological,
topographical, and land-use based predictors for the first time, to predict
high-resolution probabilistic maps of flood inundation. The performance of UNet
and SegNet model architectures for this task is evaluated, using flood masks
derived from Sentinel-1 and Sentinel-2, separately with 95 percent-confidence
intervals. The Area under the Curve (AUC) of the Precision Recall Curve
(PR-AUC) is used as the main evaluation metric, due to the inherently
imbalanced nature of classes in a binary flood mapping problem, with the best
model delivering a PR-AUC of 0.85.
- Abstract(参考訳): 衛星リモートセンシングは相似的な洪水モニタリングのためのコスト効率のよいソリューションであり、衛星由来の洪水マップは従来の数値的な浸水モデルに代わる計算効率の良い代替手段を提供する。
衛星は、現在進行中の洪水イベントをカバーするときに、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を動的に監視する能力において、時空間分解能によって制限される。
新たな衛星データソースへのアクセスとビッグデータ処理能力の改善は、この問題に対するデータ駆動ソリューションに関して、前例のないほど多くの可能性を解き放っている。
特に、空間的かつ低い時間的解像度を持つcopernicus sentinelsのような衛星からのデータの融合と、空間的かつ時間的解像度の低いnasaのsmapとgpmのミッションからのデータの融合は、日々のスケールで高分解能の洪水浸水を引き起こす可能性がある。
ここでは, コンボリューショナル・ニューラル・ネットワークが, セチネル-1 合成開口レーダと各種水文, 地形, 土地利用予測器から得られた洪水浸水マップを用いて, 洪水浸水の高分解能確率マップを初めて訓練する。
このタスクのためのUNetとSegNetモデルアーキテクチャの性能を評価し、95%の信頼区間でSentinel-1とSentinel-2から派生したフラッドマスクを用いて評価した。
Precision Recall Curve (PR-AUC) の曲線下地域(AUC)は,2次洪水マッピング問題におけるクラスの性質が本質的に不均衡であることから,PR-AUC が 0.85 である。
関連論文リスト
- UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。
8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。
我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
論文 参考訳(メタデータ) (2024-06-06T14:28:43Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳(メタデータ) (2023-07-29T22:49:50Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-05-22T07:09:35Z) - Inferring the past: a combined CNN-LSTM deep learning framework to fuse
satellites for historical inundation mapping [3.753635296366263]
バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。
このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
論文 参考訳(メタデータ) (2023-05-01T03:11:42Z) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Attentive Dual Stream Siamese U-net for Flood Detection on
Multi-temporal Sentinel-1 Data [0.0]
両時間SARによる洪水検知ネットワークを提案する。
提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。
このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
論文 参考訳(メタデータ) (2022-04-20T10:56:39Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised
Learning [1.269104766024433]
複数のUNetアーキテクチャのアンサンブルモデルを、高信頼と低信頼のラベル付きデータでトレーニングする。
この同化データセットは、次のトレーニングアンサンブルモデルのラウンドに使用される。
弊社のアプローチは、ETCIコンペティションのリーダーボードのスコアが0.7654 IoUと高い。
論文 参考訳(メタデータ) (2021-07-18T05:42:10Z) - H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain
Adaptation and Label Refinement [6.577064131678387]
H2O-Networkは、衛星や航空画像から洪水を分離する自己教師付きディープラーニング手法である。
H2O-Networkは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と高い相関性を持つ信号を合成することを学ぶ。
H2O-Netは,衛星画像上での最先端セマンティックセマンティックセグメンテーション法を,それぞれ10%,12%の精度で,mIoUより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-11T18:35:03Z)
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。