論文の概要: Detecting Crop Burning in India using Satellite Data
- arxiv url: http://arxiv.org/abs/2209.10148v1
- Date: Wed, 21 Sep 2022 06:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:00:28.620590
- Title: Detecting Crop Burning in India using Satellite Data
- Title（参考訳）: 衛星データを用いたインドにおける作物の燃焼検出
- Authors: Kendra Walker, Ben Moscona, Kelsey Jack, Seema Jayachandran, Namrata
Kala, Rohini Pande, Jiani Xue, Marshall Burke
- Abstract要約: 作物の残留物の燃焼は世界の多くの地域、特に南アジアにおける大気汚染の主な原因である。
燃焼の影響や、燃焼を減らすための介入の効果を測定するには、燃えた場所に関するデータが必要である。
本研究では,インド・パンジャブで発生した作物の残留物燃焼の地上モニタリングデータを利用して,衛星画像を用いて,燃焼をより効果的に検出できるかどうかを探索する。
- 参考スコア（独自算出の注目度）: 5.12352690404198
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop residue burning is a major source of air pollution in many parts of the
world, notably South Asia. Policymakers, practitioners and researchers have
invested in both measuring impacts and developing interventions to reduce
burning. However, measuring the impacts of burning or the effectiveness of
interventions to reduce burning requires data on where burning occurred. These
data are challenging to collect in the field, both in terms of cost and
feasibility. We take advantage of data from ground-based monitoring of crop
residue burning in Punjab, India to explore whether burning can be detected
more effectively using accessible satellite imagery. Specifically, we used 3m
PlanetScope data with high temporal resolution (up to daily) as well as
publicly-available Sentinel-2 data with weekly temporal resolution but greater
depth of spectral information. Following an analysis of the ability of
different spectral bands and burn indices to separate burned and unburned plots
individually, we built a Random Forest model with those determined to provide
the greatest separability and evaluated model performance with ground-verified
data. Our overall model accuracy of 82-percent is favorable given the
challenges presented by the measurement. Based on insights from this process,
we discuss technical challenges of detecting crop residue burning from
satellite imagery as well as challenges to measuring impacts, both of burning
and of policy interventions.
- Abstract（参考訳）: 作物の残留物の燃焼は世界の多くの地域、特に南アジアにおける大気汚染の主な原因である。
政策立案者、実践者、研究者は、影響の測定と燃焼を減らすための介入の両方に投資してきた。
しかし, 燃焼効果の測定や, 燃焼抑制効果の計測には, 燃焼の場所に関するデータが必要である。
これらのデータは、コストと実現可能性の両方の観点から、この分野での収集が困難である。
インドのプンジャブで発生した農作物の燃え残りを地上でモニタリングし,衛星画像を用いてより効果的に燃焼を検出できるかどうかを検証した。
具体的には、3mのプラネタスコープデータ(時間分解能は1日まで)と、週毎の時間分解能は高く、スペクトル情報の深さは大きいsentinel-2データを用いた。
異なるスペクトルバンドとバーンインデックスが個別に燃え尽きと燃え尽きていないプロットを分離する能力を分析した結果,最も分離性が高いと判断された森林モデルを構築し,地上データを用いたモデル性能の評価を行った。
全体のモデルの精度は82%で、測定結果の課題を考えると良好です。
このプロセスから得られた知見に基づいて,衛星画像から燃え尽きる作物を検知する技術的課題と,焼成と政策介入の両面で影響を測定するための課題について考察する。
関連論文リスト
- CaBuAr: California Burned Areas dataset for delineation [5.432724320036955]
本稿では, 焼成領域のデライン化問題に対処する新しいオープンデータセットを提案する。
センチネル2号L2Aは、2015年からカリフォルニア州で森林火災が発生している。
データセットとともに、スペクトルインデックス分析、SegFormer、U-Netモデルに基づく3つの異なるベースラインをリリースする。
論文 参考訳（メタデータ） (2024-01-21T15:22:15Z) - FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。
我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文 参考訳（メタデータ） (2023-11-06T18:42:05Z) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳（メタデータ） (2023-08-21T19:36:50Z) - Rapid Deforestation and Burned Area Detection using Deep Multimodal
Learning on Satellite Imagery [3.8073142980733]
アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。
マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。
本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-07-10T21:49:30Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - Mitigating climate and health impact of small-scale kiln industry using
multi-spectral classifier and deep learning [5.992292768883151]
小規模産業、特にブルトレンチレンガキルンは南アジアにおける大気汚染の重要な原因の1つである。
本稿では,南アジアの「Brick-Kiln-Belt」におけるレンガキルン検出のための高分解能画像を用いた多スペクトルデータの融合を提案する。
論文 参考訳（メタデータ） (2023-03-21T07:54:58Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳（メタデータ） (2022-12-09T11:32:36Z) - Wildfire smoke plume segmentation using geostationary satellite imagery [6.235293016158901]
森林火災は過去20年間、特にアメリカ合衆国西部で発生頻度と深刻度が増加している。
この研究は深部畳み込みニューラルネットワークを用いて静止衛星画像から煙管を分割する。
本研究では, 環境保護庁 (EPA) が計測した大気中粒子状物質2.5umの粒径の変動量を推定するために, 因果推論法を用いて, 予測プルームセグメンテーションの性能を, ノイズの多いアノテーションと比較した。
論文 参考訳（メタデータ） (2021-09-03T17:29:58Z) - A Synthesis-Based Approach for Thermal-to-Visible Face Verification [105.63410428506536]
本稿では,ARL-VTFおよびTUFTSマルチスペクトル顔データセット上での最先端性能を実現するアルゴリズムを提案する。
MILAB-VTF(B)も提案する。
論文 参考訳（メタデータ） (2021-08-21T17:59:56Z) - A Large-Scale, Time-Synchronized Visible and Thermal Face Dataset [62.193924313292875]
DEVCOM Army Research Laboratory Visible-Thermal Faceデータセット(ARL-VTF)を発表します。
395人の被験者から50万枚以上の画像が得られたARL-VTFデータセットは、これまでで最大の可視画像とサーマルフェイス画像の収集データだ。
本論文では,ALL-VTFデータセットを用いたサーマルフェースランドマーク検出とサーマル・トゥ・ヴィジブルフェース検証のベンチマーク結果と分析について述べる。
論文 参考訳（メタデータ） (2021-01-07T17:17:12Z) - STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。
提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。
STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
論文 参考訳（メタデータ） (2020-11-10T02:28:47Z)
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。