論文の概要: Deep learning based landslide density estimation on SAR data for rapid
response
- arxiv url: http://arxiv.org/abs/2211.10338v1
- Date: Fri, 18 Nov 2022 16:50:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:26:48.064787
- Title: Deep learning based landslide density estimation on SAR data for rapid
response
- Title（参考訳）: 高速応答のためのSARデータに基づく深層学習に基づく地すべり密度の推定
- Authors: Vanessa Boehm, Wei Ji Leong, Ragini Bal Mahesh, Ioannis Prapas,
Edoardo Nemni, Freddie Kalaitzis, Siddha Ganju, Raul Ramos-Pollan
- Abstract要約: 本研究の目的は,SAR(Synthetic Aperture Radar)衛星画像を用いて地すべり密度の推定を行い,緊急時の資源の優先順位を決定することである。
米国地質調査所(USGS)の地すべり調査データを用いて,プエルトリコのハリケーン・マリア(Hurricane Mar'ia)の後に専門家が注釈を付けた。
本手法は,チップレベルでの正密度推定クラスの予測において0.814 AUCを得る。
- 参考スコア（独自算出の注目度）: 0.8208704543835964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work aims to produce landslide density estimates using Synthetic
Aperture Radar (SAR) satellite imageries to prioritise emergency resources for
rapid response. We use the United States Geological Survey (USGS) Landslide
Inventory data annotated by experts after Hurricane Mar\'ia in Puerto Rico on
Sept 20, 2017, and their subsequent susceptibility study which uses extensive
additional information such as precipitation, soil moisture, geological terrain
features, closeness to waterways and roads, etc. Since such data might not be
available during other events or regions, we aimed to produce a landslide
density map using only elevation and SAR data to be useful to decision-makers
in rapid response scenarios.
The USGS Landslide Inventory contains the coordinates of 71,431 landslide
heads (not their full extent) and was obtained by manual inspection of aerial
and satellite imagery. It is estimated that around 45\% of the landslides are
smaller than a Sentinel-1 typical pixel which is 10m $\times$ 10m, although
many are long and thin, probably leaving traces across several pixels. Our
method obtains 0.814 AUC in predicting the correct density estimation class at
the chip level (128$\times$128 pixels, at Sentinel-1 resolution) using only
elevation data and up to three SAR acquisitions pre- and post-hurricane, thus
enabling rapid assessment after a disaster. The USGS Susceptibility Study
reports a 0.87 AUC, but it is measured at the landslide level and uses
additional information sources (such as proximity to fluvial channels, roads,
precipitation, etc.) which might not regularly be available in an rapid
response emergency scenario.
- Abstract（参考訳）: 本研究の目的は,SAR(Synthetic Aperture Radar)衛星画像を用いて地すべり密度の推定を行い,迅速な応答を優先することである。
2017年9月20日にプエルトリコで発生したハリケーン・マルユイアの後、専門家が注釈を付けた米国地質調査所(usgs)の地すべり目録データと、降水、土壌水分、地質学的特徴、水路や道路の近さなどの広範な追加情報を用いたその後の感受性調査を用いている。
このようなデータは,他のイベントや地域では利用できないため,高度データとsarデータのみを用いて地すべり密度マップを作成し,迅速な対応シナリオにおいて意思決定者に役立つようにした。
usgs地すべり目録には71,431個の地すべりヘッドの座標が含まれており、航空画像と衛星画像の手動検査によって得られた。
地すべりの約45\%はセンチネル-1の典型的なピクセルよりも小さいと見積もられているが、多くは長くて薄く、おそらく複数のピクセルにまたがる痕跡を残している。
本手法は,高度データのみを用いてチップレベルでの正確な密度推定クラス (128$\times $128 pixels, at sentinel-1 resolution) を予測して0.814 aucを得る。
アメリカ地質調査所 (USGS Susceptibility Study) は 0.87 AUC を報告しているが、地すべりレベルで測定され、急激な緊急シナリオでは定期的に利用できないかもしれない追加の情報ソース(流路、道路、降水など)を使用する。
関連論文リスト
- Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset [0.9029386959445269]
我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
論文 参考訳（メタデータ） (2023-11-15T18:49:29Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T18:56:05Z) - Automating global landslide detection with heterogeneous ensemble
deep-learning classification [44.99833362998488]
地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。
危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。
近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
論文 参考訳（メタデータ） (2023-09-12T10:56:16Z) - SAR-based landslide classification pretraining leads to better
segmentation [0.8208704543835964]
自然災害後の迅速な評価は、緊急資源の優先順位付けの鍵となる。
ディープラーニングアルゴリズムはSARデータに適用可能だが、トレーニングには大きなラベル付きデータセットが必要である。
本稿では,SAR製品における地すべりセグメンテーションの深層学習アルゴリズムが事前学習の恩恵を受けるかを検討する。
論文 参考訳（メタデータ） (2022-11-17T22:57:18Z) - Deep Learning for Rapid Landslide Detection using Synthetic Aperture
Radar (SAR) Datacubes [0.8208704543835964]
我々は,地球規模で4つの地すべりイベントに対して,事前処理,機械学習可能なSARデータキューブを提供する。
教師付き深層学習(DL)によるSAR地すべり検出の可能性について検討する。
DLモデルは、SARデータから地すべりを検知し、精度-リコール曲線0.7を超えるエリアを達成できる。
論文 参考訳（メタデータ） (2022-11-05T10:31:57Z) - 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) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - 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) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Improving Landslide Detection on SAR Data through Deep Learning [0.0]
深層学習畳み込みニューラルネットワーク(cnns)を用いて,光学画像上の地すべりマッピングと分類性能を評価する。
約8000の地震地すべりを発生させた地震前後の状況を分析した。
グラウンドレンジ検出(GRD)SARデータの組み合わせに基づくCNNは、全体の94%を超える精度に達した。
論文 参考訳（メタデータ） (2021-05-03T12:37:57Z)
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。