論文の概要: High-resolution canopy height map in the Landes forest (France) based on
GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach
- arxiv url: http://arxiv.org/abs/2212.10265v1
- Date: Tue, 20 Dec 2022 14:14:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:09:10.627351
- Title: High-resolution canopy height map in the Landes forest (France) based on
GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach
- Title(参考訳): 深層学習によるGEDI, Sentinel-1, Sentinel-2データに基づくランドス森林(フランス)の高分解能天頂マップ
- Authors: Martin Schwartz, Philippe Ciais, Catherine Ottl\'e, Aurelien De
Truchis, Cedric Vega, Ibrahim Fayad, Martin Brandt, Rasmus Fensholt, Nicolas
Baghdadi, Fran\c{c}ois Morneau, David Morin, Dominique Guyon, Sylvia Dayau,
Jean-Pierre Wigneron
- Abstract要約: マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。
モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。
針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
- 参考スコア(独自算出の注目度): 0.044381279572631216
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In intensively managed forests in Europe, where forests are divided into
stands of small size and may show heterogeneity within stands, a high spatial
resolution (10 - 20 meters) is arguably needed to capture the differences in
canopy height. In this work, we developed a deep learning model based on
multi-stream remote sensing measurements to create a high-resolution canopy
height map over the "Landes de Gascogne" forest in France, a large maritime
pine plantation of 13,000 km$^2$ with flat terrain and intensive management.
This area is characterized by even-aged and mono-specific stands, of a typical
length of a few hundred meters, harvested every 35 to 50 years. Our deep
learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with
composite time averages as input to predict tree height derived from GEDI
waveforms. The evaluation is performed with external validation data from
forest inventory plots and a stereo 3D reconstruction model based on Skysat
imagery available at specific locations. We trained seven different U-net
models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate
the importance of each instrument in the dominant height retrieval. The model
outputs allow us to generate a 10 m resolution canopy height map of the whole
"Landes de Gascogne" forest area for 2020 with a mean absolute error of 2.02 m
on the Test dataset. The best predictions were obtained using all available
satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite
source also provided good predictions. For all validation datasets in
coniferous forests, our model showed better metrics than previous canopy height
models available in the same region.
- Abstract(参考訳): ヨーロッパの集中的に管理されている森林では、森林が小さな林分に分割され、林内の多様性を示す可能性があるため、キャノピーの高さの違いを捉えるために高い空間分解能(10~20メートル)が必要である。
本研究では,マルチストリームリモートセンシング計測に基づく深層学習モデルを開発し,平坦な地形と集中的な管理を伴う13,000 km$^2$の大規模松林であるフランスの"landes de gascogne"林の高分解能なキャノピー高さマップを作成した。
この地域の特徴は、35年から50年ごとに収穫される数百メートルの典型的な長さの偶像的・単色のスタンドである。
深層学習型u-netモデルでは,複合時間平均を用いたsentinel-1とsentinel-2のマルチバンド画像を用いて,gedi波形からの樹高予測を行う。
この評価は,森林在庫計画の外部検証データと,特定地点で利用可能なSkysat画像に基づくステレオ3D再構成モデルを用いて行われる。
我々は,Sentinel-1とSentinel-2バンドの組み合わせに基づいて7種類のU-netモデルを訓練し,各楽器の重要性を評価した。
モデル出力により、2020年の"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップが生成でき、テストデータセットの平均絶対誤差は2.02mである。
最良の予測は、Sentinel-1とSentinel-2から利用可能なすべての衛星層を用いて得られたが、単一の衛星源のみを使用しても良い予測が得られた。
針葉樹林のバリデーションデータセットすべてについて,同じ地域で利用可能な以前のキャノピー高さモデルよりも優れた指標を示した。
関連論文リスト
- Depth Anything V2 [84.88796880335283]
V2は3つの重要なプラクティスを通じて、より微細でより堅牢な深度予測を生成する。
すべてのラベル付き実像を合成画像に置き換え、教師モデルの容量を拡大し、大規模な擬似ラベル付き実像のブリッジを通じて生徒モデルを教える。
その強い一般化能力から、距離深度モデルを得るために、距離深度ラベルを微調整する。
論文 参考訳(メタデータ) (2024-06-13T17:59:56Z) - First Mapping the Canopy Height of Primeval Forests in the Tallest Tree Area of Asia [6.826460268652235]
我々は,世界規模の巨大木の分布領域を,世界初となる天蓋の高さマップを開発した。
このマッピングは、より個人的でコミュニティレベルの巨大な木を見つけるために不可欠です。
論文 参考訳(メタデータ) (2024-04-23T01:45:55Z) - Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳(メタデータ) (2023-12-07T18:59:14Z) - Estimation of forest height and biomass from open-access multi-sensor
satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan
France [0.0]
本研究は、森林パラメータの局所マップを作成するために以前開発された機械学習アプローチを用いている。
我々はGEDI Lidarミッションを基準高度データとして,Sentinel-1,Sentinel-2,ALOS-2 PALSA-2の衛星画像を用いて森林高度を推定した。
高さマップは、アロメトリック方程式を用いて体積と地上のバイオマス(AGB)に導かれる。
論文 参考訳(メタデータ) (2023-10-23T07:58:49Z) - Accuracy and Consistency of Space-based Vegetation Height Maps for
Forest Dynamics in Alpine Terrain [18.23260742076316]
スイス国立森林調査所(NFI)は、0.5mの空間解像度で全国の植生高度マップを提供している。
これは、宇宙からのリモートセンシングと深層学習を用いて、大規模な植生高度マップを生成することで改善できる。
センチネル2衛星画像に基づいて,2017年から2020年までの10m地点で年間,全国の植生高度マップを作成した。
論文 参考訳(メタデータ) (2023-09-04T20:23:57Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - Sub-Meter Tree Height Mapping of California using Aerial Images and
LiDAR-Informed U-Net Model [0.0]
樹冠の高さは、森林のバイオマス、生産性、種多様性の最も重要な指標の1つである。
そこで我々は,カリフォルニアのすべての樹冠の高さを高解像度の空中画像でマッピングするために,回帰に適応したU-Netモデルを用いた。
本モデルでは, 飽和のないキャノピー高さを最大50mまで推定し, 既存のキャノピー高さ製品よりも高い性能を示した。
論文 参考訳(メタデータ) (2023-06-02T22:29:58Z) - 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) - Very high resolution canopy height maps from RGB imagery using
self-supervised vision transformer and convolutional decoder trained on
Aerial Lidar [14.07306593230776]
本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。
地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。
また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
論文 参考訳(メタデータ) (2023-04-14T15:52:57Z) - 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) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳(メタデータ) (2021-06-21T13:55:57Z)
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。