論文の概要: Mapping Tropical Forest Cover and Deforestation with Planet NICFI
Satellite Images and Deep Learning in Mato Grosso State (Brazil) from 2015 to
2021
- arxiv url: http://arxiv.org/abs/2211.09806v1
- Date: Thu, 17 Nov 2022 18:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 15:52:03.162555
- Title: Mapping Tropical Forest Cover and Deforestation with Planet NICFI
Satellite Images and Deep Learning in Mato Grosso State (Brazil) from 2015 to
2021
- Title（参考訳）: 2015年から2021年までマトグロッソ州 (brazil) におけるnicfi衛星画像による熱帯森林被覆と森林破壊のマッピングと深層学習
- Authors: Fabien H Wagner, Ricardo Dalagnol, Celso HL Silva-Junior, Griffin
Carter, Alison L Ritz, Mayumi CM Hirye, Jean PHB Ometto and Sassan Saatchi
- Abstract要約: 我々は,2015年から2022年にかけて,5mの空間分解能Planet NICFI衛星画像を用いて熱帯樹冠と森林破壊を地図化した。
2015年のツリーカバーは556510.8 km$2$(MT州の58.1%)であり、2021年末には141598.5 km$2$に減らされた。
1年後の2019年12月の9944.5 km$2$から2021年12月の19817.8 km$2$にほぼ倍増した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring changes in tree cover for rapid assessment of deforestation is
considered the critical component of any climate mitigation policy for reducing
carbon. Here, we map tropical tree cover and deforestation between 2015 and
2022 using 5 m spatial resolution Planet NICFI satellite images over the state
of Mato Grosso (MT) in Brazil and a U-net deep learning model. The tree cover
for the state was 556510.8 km$^2$ in 2015 (58.1 % of the MT State) and was
reduced to 141598.5 km$^2$ (14.8 % of total area) at the end of 2021. After
reaching a minimum deforested area in December 2016 with 6632.05 km$^2$, the
bi-annual deforestation area only showed a slight increase between December
2016 and December 2019. A year after, the areas of deforestation almost doubled
from 9944.5 km$^2$ in December 2019 to 19817.8 km$^2$ in December 2021. The
high-resolution data product showed relatively consistent agreement with the
official deforestation map from Brazil (67.2%) but deviated significantly from
year of forest cover loss estimates from the Global Forest change (GFC)
product, mainly due to large area of fire degradation observed in the GFC data.
High-resolution imagery from Planet NICFI associated with deep learning
technics can significantly improve mapping deforestation extent in tropics.
- Abstract（参考訳）: 森林伐採の迅速評価のための樹木被覆の変化のモニタリングは、炭素削減のための気候緩和政策の重要な要素と考えられている。
ここでは,ブラジルのマトグロッソ州(MT)における5m空間分解能惑星NICFI衛星画像とU-net深層学習モデルを用いて,2015年から2022年にかけての熱帯樹冠と森林破壊をマッピングする。
2015年には556510.8 km$^2$(MT州の58.1%)となり、2021年末には141598.5 km$^2$(総面積の14.8%)に減らされた。
2016年12月の森林伐採面積は6632.05 km$^2$で、2016年12月から2019年12月までにわずかに増加した。
1年後の2019年12月の9944.5 km$^2$から2021年12月の19817.8 km$^2$にほぼ倍増した。
高解像度データ製品はブラジルの公式森林破壊地図(67.2%)と比較的一致していたが、GFCデータで観測された火災の多さから、GFC(Global Forest Change)製品からの森林被覆損失の年数から大きくずれた。
深層学習技術に関連するPlanet NICFIの高解像度画像は、熱帯の森林破壊範囲を著しく改善することができる。
関連論文リスト
- The unrealized potential of agroforestry for an emissions-intensive agricultural commodity [48.652015514785546]
機械学習を用いて、西アフリカ地域全体での日陰木カバーと炭素ストックの見積もりを生成します。
既存の陰木カバーは低く、空間的に気候の脅威と一致していないことが判明した。
しかし、このセクターが毎年高い炭素フットプリントのかなりの割合とバランスをとるという、巨大な非現実的な可能性も見出されています。
論文 参考訳（メタデータ） (2024-10-28T10:02:32Z) - Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery [0.0]
衛星は森林の消失を認識し、関心領域の拡大を防ぐために使用できる。
フォレスト・ノン・フォレスト・マップ (FNF) はセンチネル画像入力モデルの基礎的真理として用いられている。
森林と非森林を分類するモデルは、森林破壊の起こりうる場所を予測するためにオープンデータセットを使用して、この地域の森林と非森林のピクセルを分類する。
論文 参考訳（メタデータ） (2024-09-16T14:26:41Z) - ForestEyes Project: Conception, Enhancements, and Challenges [68.8204255655161]
この研究はフォレストEyesという市民科学プロジェクトを紹介している。
リモートセンシング画像の解析と分類を通じてボランティアの回答を用いて、熱帯雨林の森林破壊地域をモニタリングする。
これらの回答の品質を評価するために、ブラジルの法律Amazonのリモートセンシング画像を使用して、さまざまなキャンペーン/ワークフローがローンチされた。
論文 参考訳（メタデータ） (2022-08-24T17:48:12Z) - 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) - MultiEarth 2022 Deforestation Challenge -- ForestGump [0.0]
従来のUNetと包括的データ処理を用いた森林破壊推定手法を提案する。
Sentinel-1、Sentinel-2、Landsat 8の様々なチャネルが慎重に選択され、ディープニューラルネットワークのトレーニングに使用される。
提案手法では,新しいクエリの森林破壊状況を高精度に推定する。
論文 参考訳（メタデータ） (2022-06-22T04:10:07Z) - Detecting Deforestation from Sentinel-1 Data in the Absence of Reliable
Reference Data [3.222802562733787]
信頼性のある基準データがない場合に森林破壊検出のための新しい手法を提案し,評価する。
この方法は、研究領域で96.5%の変化検出感度(生産者の精度)を実現する。
その結果, センチネル-1のデータは, 地球規模の森林破壊モニタリングのタイムラインを前進させる可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-24T15:08:02Z) - 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) - Tackling the Overestimation of Forest Carbon with Deep Learning and
Aerial Imagery [13.97765383479824]
本論文は,航空画像,衛星画像,地中構造観測から森林炭素推定を初めて体系的に比較したものである。
航空画像の収集は著しく高価であり,高分解能が森林炭素推定をどの程度改善するかは定かでない。
以上の結果から,衛星画像による森林炭素推定は,熱帯再植林計画において10回以上も過大評価可能であることが示唆された。
論文 参考訳（メタデータ） (2021-07-23T15:59:52Z) - Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution
Satellite Imagery [59.32805936205217]
牛の農業は世界の温室効果ガス排出量の8.8%を占めている。
40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。
本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
論文 参考訳（メタデータ） (2020-11-14T19:07:39Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z) - A global method to identify trees outside of closed-canopy forests with
medium-resolution satellite imagery [0.0]
密集した閉鎖性林の外の伐採された木は、炭素の隔離、生活支援、生態系の整合性維持、気候変動の適応と緩和に重要である。
クローズド・キャノピー林内の樹木とは対照的に,世界規模で散在する樹木の空間的広さと分布についてはあまり分かっていない。
中高分解能光・レーダ画像を用いて,3メートル以上の天蓋径の樹木を同定する一貫した手法を提案する。
論文 参考訳（メタデータ） (2020-05-13T15:58:01Z)
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。