Fugu-MT 論文翻訳(概要): Aboveground carbon biomass estimate with Physics-informed deep network

論文の概要: Aboveground carbon biomass estimate with Physics-informed deep network

arxiv url: http://arxiv.org/abs/2210.13752v1
Date: Tue, 25 Oct 2022 03:38:23 GMT
ステータス: 処理完了
システム内更新日: 2022-10-26 15:50:20.555309
Title: Aboveground carbon biomass estimate with Physics-informed deep network
Title（参考訳）: 物理インフォームド深層ネットワークを用いた地上炭素バイオマス推定
Authors: Juan Nathaniel, Levente J. Klein, Campbell D. Watson, Gabrielle Nyirjesy, Conrad M. Albrecht
Abstract要約: 深層ニューラルネットワークを用いて,2021年における30mの空間分解能を持つ大陸アメリカ(CONUS)の地上炭素バイオマス(AGB)の壁面と壁面のマップを生成する。我々は,カリフォルニア州の2021年のカルドール山火事におけるAGBの損失を測定するために,我々のモデルを適用し,センチネルをベースとしたバーン指標による分析を検証した。
参考スコア（独自算出の注目度）: 0.5999777817331318
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The global carbon cycle is a key process to understand how our climate is changing. However, monitoring the dynamics is difficult because a high-resolution robust measurement of key state parameters including the aboveground carbon biomass (AGB) is required. Here, we use deep neural network to generate a wall-to-wall map of AGB within the Continental USA (CONUS) with 30-meter spatial resolution for the year 2021. We combine radar and optical hyperspectral imagery, with a physical climate parameter of SIF-based GPP. Validation results show that a masked variation of UNet has the lowest validation RMSE of 37.93 $\pm$ 1.36 Mg C/ha, as compared to 52.30 $\pm$ 0.03 Mg C/ha for random forest algorithm. Furthermore, models that learn from SIF-based GPP in addition to radar and optical imagery reduce validation RMSE by almost 10% and the standard deviation by 40%. Finally, we apply our model to measure losses in AGB from the recent 2021 Caldor wildfire in California, and validate our analysis with Sentinel-based burn index.
Abstract（参考訳）: 地球規模の炭素循環は、私たちの気候の変化を理解するための重要なプロセスです。しかし, 地上炭素バイオマス(AGB)を含む重要な状態パラメータの高分解能な測定が必要であるため, ダイナミクスのモニタリングは困難である。ここでは,2021年における30mの空間分解能を持つ大陸アメリカ(CONUS)内のAGBの壁面マップを生成するために,ディープニューラルネットワークを用いる。レーダーと光学ハイパースペクトル画像とsifベースのgppの物理的気候パラメータを組み合わせる。検証の結果、unetのマスキング変動はランダムフォレストアルゴリズムの52.30$\pm$ 0.03 mg c/haに比べて37.93$\pm$ 1.36 mg c/haの最小の検証rmseを持つことがわかった。さらに、レーダーや光学画像に加え、SIFベースのGPPから学習するモデルは、RMSEの検証を約10%、標準偏差を40%削減する。最後に,カリフォルニア州で発生した2021年のカルドール山火事のagb損失の測定に本モデルを適用し,センチネルベースのバーンインデックスを用いて解析を検証する。

関連論文リスト

3D-SAR Tomography and Machine Learning for High-Resolution Tree Height Estimation [4.1942958779358674]
バイオマス計算の鍵となる木の高さは、合成開口レーダ(SAR)技術を用いて測定することができる。本研究では,2つのSAR製品から森林高度データを抽出するために機械学習を適用した。我々は,ドイツのアイフェル国立公園のSARおよびLiDARデータを含むTtomoSenseデータセットを用いて,標高推定モデルの開発と評価を行った。
論文参考訳（メタデータ） (2024-09-09T14:07:38Z)
Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文参考訳（メタデータ） (2024-08-27T15:03:20Z)
Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。 GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
論文参考訳（メタデータ） (2024-08-20T23:15:41Z)
Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
論文参考訳（メタデータ） (2024-05-24T11:10:58Z)
Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文参考訳（メタデータ） (2023-04-22T22:39:03Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文参考訳（メタデータ） (2022-08-23T16:04:12Z)
High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
論文参考訳（メタデータ） (2022-05-17T17:53:50Z)
ReforesTree: A Dataset for Estimating Tropical Forest Carbon Stock with Deep Learning and Aerial Imagery [19.216734550056817]
ReforesTree(ReforesTree)はエクアドルの6カ所の森林炭素指数のベンチマークデータセットである。低コストのRGB専用ドローン画像から個々の木を検出する深層学習に基づくエンド・ツー・エンドモデルが、公式の炭素オフセット認定基準内で森林炭素ストックを正確に推定していることを示す。
論文参考訳（メタデータ） (2022-01-26T21:27:57Z)
Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
論文参考訳（メタデータ） (2021-12-21T12:16:03Z)
Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文参考訳（メタデータ） (2021-11-25T16:21:28Z)

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。