論文の概要: AquaFeL-PSO: A Monitoring System for Water Resources using Autonomous Surface Vehicles based on Multimodal PSO and Federated Learning

• arxiv url: http://arxiv.org/abs/2211.15217v1
• Date: Mon, 28 Nov 2022 10:56:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 20:45:49.429191
• Title: AquaFeL-PSO: A Monitoring System for Water Resources using Autonomous Surface Vehicles based on Multimodal PSO and Federated Learning
• Title（参考訳）: aquafel-pso:マルチモーダルpsoとフェデレーション学習に基づく自律型表面車両を用いた水資源モニタリングシステム
• Authors: Micaela Jara Ten Kathen, Princy Johnson, Isabel Jurado Flores, Daniel Guti errez Reina
• Abstract要約: 水資源の保存、モニタリング、管理は、ここ数十年で大きな課題となっている。 本稿では,水質センサを備えた自動表面車両を用いた水質モニタリングシステムを提案する。
• 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: The preservation, monitoring, and control of water resources has been a major challenge in recent decades. Water resources must be constantly monitored to know the contamination levels of water. To meet this objective, this paper proposes a water monitoring system using autonomous surface vehicles, equipped with water quality sensors, based on a multimodal particle swarm optimization, and the federated learning technique, with Gaussian process as a surrogate model, the AquaFeL-PSO algorithm. The proposed monitoring system has two phases, the exploration phase and the exploitation phase. In the exploration phase, the vehicles examine the surface of the water resource, and with the data acquired by the water quality sensors, a first water quality model is estimated in the central server. In the exploitation phase, the area is divided into action zones using the model estimated in the exploration phase for a better exploitation of the contamination zones. To obtain the final water quality model of the water resource, the models obtained in both phases are combined. The results demonstrate the efficiency of the proposed path planner in obtaining water quality models of the pollution zones, with a 14$\%$ improvement over the other path planners compared, and the entire water resource, obtaining a 400$\%$ better model, as well as in detecting pollution peaks, the improvement in this case study is 4,000$\%$. It was also proven that the results obtained by applying the federated learning technique are very similar to the results of a centralized system.
• Abstract（参考訳）: 水資源の保存、モニタリング、管理は、ここ数十年で大きな課題となっている。 水資源は、水の汚染レベルを知るために常に監視されなければならない。 本研究の目的は,マルチモーダル粒子群最適化に基づく水質センサを備えた自律型表面車両を用いた水監視システムと,ガウス過程をサロゲートモデルとしてアクアフェル-psoアルゴリズムを用いたフェデレーション学習手法を提案することである。 提案するモニタリングシステムは,探索フェーズと搾取フェーズの2つのフェーズを有する。 調査段階では、車両は水資源の表面を調べ、水質センサによって取得されたデータにより、第1の水質モデルが中央サーバで推定される。 利用フェーズでは, 調査フェーズで推定したモデルを用いて, 領域をアクションゾーンに分割し, 汚染ゾーンをよりよく活用する。 水資源の最終的な水質モデルを得るため、両方の相で得られたモデルが組み合わされる。 その結果,提案する経路プランナーは,他の経路プランナーと比較して14$%$改善し,水資源全体において400$$$$改善モデルが得られ,汚染ピークの検出においても4,000$$%改善が得られた。 また,フェデレート学習技術を適用した結果が,集中型システムの結果と非常によく似ていることも証明された。

関連論文リスト

• Deep Reinforcement Multi-agent Learning framework for Information Gathering with Local Gaussian Processes for Water Monitoring [3.2266662249755025]
  局所ガウス過程と深層強化学習を用いて効果的なモニタリングポリシを共同で取得することが提案されている。 このモデルの平均と分散の観察に基づく決定に基づく、深い畳み込み政策が提案されている。 エージェントはDouble Deep Q-Learningアルゴリズムを用いて、安全な方法で推定誤差を最小限に抑えるように訓練される。
  論文  参考訳（メタデータ） (2024-01-09T15:58:15Z)
• Monitoring water contaminants in coastal areas through ML algorithms leveraging atmospherically corrected Sentinel-2 data [3.155658695525581]
  本研究では,CatBoost Machine Learning(ML)とSentinel-2 Level-2Aの高分解能データを統合することにより,濁度汚染をモニタリングする新たなアプローチを開拓した。 従来の方法は労働集約的であり、CatBoostは効率的なソリューションを提供し、予測精度に優れている。 大気補正されたSentinel-2データをGoogle Earth Engine(GEE)を通じて利用することで、スケーラブルで正確な濁度モニタリングに寄与する。
  論文  参考訳（メタデータ） (2024-01-08T10:20:34Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• 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)
• A Graph-Based Modeling Framework for Tracing Hydrological Pollutant Transport in Surface Waters [0.0]
  本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。 グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。 我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
  論文  参考訳（メタデータ） (2023-02-10T00:30:38Z)
• In-situ Water quality monitoring in Oil and Gas operations [1.9857559596234144]
  既存の衛星ベースの監視研究の多くは、川や海のような大きな水域を監視するためにインデックスベースの手法を利用している。 反射率の弱い水域における汚染レベルを推定できる新しい水質指標(WQEI)モデルを提案する。 その結果, 1) WQEIは, 実験室で測定された1200個の試料で検証された水質変動の指標であり, 2) 一般に利用可能な衛星データ(LandSat8など)に本手法を適用することにより, 広範囲で高精度な水質モニタリングを実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T20:56:52Z)
• Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery And Digital Elevation Models [0.0]
  Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。 実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
  論文  参考訳（メタデータ） (2020-12-11T18:42:15Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。