論文の概要: Reef-insight: A framework for reef habitat mapping with clustering
methods via remote sensing
- arxiv url: http://arxiv.org/abs/2301.10876v1
- Date: Thu, 26 Jan 2023 00:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-27 14:46:57.295981
- Title: Reef-insight: A framework for reef habitat mapping with clustering
methods via remote sensing
- Title(参考訳): Reef-insight:リモートセンシングによるクラスタリング法による礁生息環境マッピングのためのフレームワーク
- Authors: Saharsh Barve, Jody Webster, Rohitash Chandra
- Abstract要約: 我々は、高度なクラスタリング手法とリーフコミュニティマッピングのためのリモートセンシングを特徴とする、教師なし機械学習フレームワークであるReef-insightを紹介する。
本フレームワークは,リモートセンシングデータを用いたサンゴ礁群集マッピングにおいて,異なるクラスタリング手法を比較して評価する。
以上の結果から,サンゴ礁群落の詳細な分布図を作成できる可能性が示唆された。
- 参考スコア(独自算出の注目度): 0.3670422696827526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Environmental damage has been of much concern, particularly coastal areas and
the oceans given climate change and drastic effects of pollution and extreme
climate events. Our present day analytical capabilities along with the
advancements in information acquisition techniques such as remote sensing can
be utilized for the management and study of coral reef ecosystems. In this
paper, we present Reef-insight, an unsupervised machine learning framework that
features advanced clustering methods and remote sensing for reef community
mapping. Our framework compares different clustering methods to evaluate them
for reef community mapping using remote sensing data. We evaluate four major
clustering approaches such as k- means, hierarchical clustering, Gaussian
mixture model, and density-based clustering based on qualitative and visual
assessment. We utilise remote sensing data featuring Heron reef island region
in the Great Barrier Reef of Australia. Our results indicate that clustering
methods using remote sensing data can well identify benthic and geomorphic
clusters that are found in reefs when compared to other studies. Our results
indicate that Reef-insight can generate detailed reef community maps outlining
distinct reef habitats and has the potential to enable further insights for
reef restoration projects. We release our framework as open source software to
enable its extension to different parts of the world
- Abstract(参考訳): 環境被害は、特に沿岸地域や海洋において、気候変動と環境汚染の劇的な影響と極端な気候現象が懸念されている。
我々は,サンゴ礁生態系の管理と研究にリモートセンシングなどの情報取得技術の進歩とともに,今日の分析能力を利用することができる。
本稿では,リーフコミュニティマッピングのための高度なクラスタリング手法とリモートセンシングを特徴とする教師なし機械学習フレームワークであるlef-insightを提案する。
本稿では,異なるクラスタリング手法を比較し,リモートセンシングデータを用いたリーフコミュニティマッピングの評価を行う。
我々は,k平均,階層クラスタリング,ガウス混合モデル,および定性的および視覚的評価に基づく密度に基づくクラスタリングの4つの主要なクラスタリング手法を評価する。
オーストラリア・グレートバリアリーフのヘロン・リーフ島地域を特徴とするリモートセンシングデータを活用した。
以上の結果から,リモートセンシングデータを用いたクラスタリング手法は,サンゴ礁に生息するベントニック・ジオモルフィック・クラスタを他の研究と比較するとよく識別できることがわかった。
以上の結果から,サンゴ礁の生息域を網羅した詳細なサンゴ礁群集マップを作成できる可能性が示唆された。
私たちはフレームワークをオープンソースソフトウェアとしてリリースし、世界中の様々な地域への拡張を可能にしました。
関連論文リスト
- Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳(メタデータ) (2024-10-14T17:22:55Z) - Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。
本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
論文 参考訳(メタデータ) (2024-04-03T08:00:46Z) - Deep learning for multi-label classification of coral conditions in the
Indo-Pacific via underwater photogrammetry [24.00646413446011]
本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。
既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。
提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
論文 参考訳(メタデータ) (2024-03-09T14:42:16Z) - CoralVOS: Dataset and Benchmark for Coral Video Segmentation [12.434773034255455]
第1図で示すような大規模サンゴビデオセグメンテーションデータセット(textbfCoralVOS)を提案する。
我々はCoralVOSデータセットで、最新の6つの最先端ビデオオブジェクトセグメンテーション(VOS)アルゴリズムを含む実験を行いました。
その結果,セグメンテーション精度がさらに向上する可能性がまだ高いことがわかった。
論文 参考訳(メタデータ) (2023-10-03T10:45:37Z) - Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan
Klasifikasi Citra [3.254879465902239]
本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。
この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。
その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
論文 参考訳(メタデータ) (2023-08-08T15:30:08Z) - Robot Goes Fishing: Rapid, High-Resolution Biological Hotspot Mapping in
Coral Reefs with Vision-Guided Autonomous Underwater Vehicles [6.658103076536836]
生物学的ホットスポット検出は、サンゴ礁管理者が監視と介入のタスクのために限られた資源を優先するのに役立つ。
ここでは、自律型水中車両(AUV)とカメラ、そして視覚検出器とフォトグラムと組み合わせて、これらのホットスポットをマッピングし、識別する方法について検討する。
我々の知る限り、我々はAUVを使って視覚的に観察され、微細な生体ホットスポットマップを収集する最初の試みの1つを提示する。
論文 参考訳(メタデータ) (2023-05-03T16:12:47Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳(メタデータ) (2022-06-20T10:05:38Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳(メタデータ) (2021-06-24T17:29:42Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳(メタデータ) (2021-03-07T02:16:24Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-09T12:48:06Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳(メタデータ) (2020-10-05T19:47:04Z)
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。