論文の概要: Mapping Urban Population Growth from Sentinel-2 MSI and Census Data
Using Deep Learning: A Case Study in Kigali, Rwanda
- arxiv url: http://arxiv.org/abs/2303.08511v1
- Date: Wed, 15 Mar 2023 10:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 14:09:28.934355
- Title: Mapping Urban Population Growth from Sentinel-2 MSI and Census Data
Using Deep Learning: A Case Study in Kigali, Rwanda
- Title(参考訳): 深層学習を用いたセンチネル2MSIと国勢調査データからの都市人口成長のマッピング:ルワンダ・キガリを事例として
- Authors: Sebastian Hafner, Stefanos Georganos, Theodomir Mugiraneza, Yifang Ban
- Abstract要約: 我々は,時間的集団動態を短時間で解き放つ深層学習変化検出技術の評価を行った。
Sentinel-2 MSIデータを用いた人口マッピングタスクで事前訓練されたResNetエンコーダを,シームズネットワークに組み込んだ。
このネットワークは人口変化を正確に予測するために国勢調査レベルで訓練された。
- 参考スコア(独自算出の注目度): 0.19116784879310023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To better understand current trends of urban population growth in Sub-Saharan
Africa, high-quality spatiotemporal population estimates are necessary. While
the joint use of remote sensing and deep learning has achieved promising
results for population distribution estimation, most of the current work
focuses on fine-scale spatial predictions derived from single date census,
thereby neglecting temporal analyses. In this work, we focus on evaluating how
deep learning change detection techniques can unravel temporal population
dynamics at short intervals. Since Post-Classification Comparison (PCC) methods
for change detection are known to propagate the error of the individual maps,
we propose an end-to-end population growth mapping method. Specifically, a
ResNet encoder, pretrained on a population mapping task with Sentinel-2 MSI
data, was incorporated into a Siamese network. The Siamese network was trained
at the census level to accurately predict population change. The effectiveness
of the proposed method is demonstrated in Kigali, Rwanda, for the time period
2016-2020, using bi-temporal Sentinel-2 data. Compared to PCC, the Siamese
network greatly reduced errors in population change predictions at the census
level. These results show promise for future remote sensing-based population
growth mapping endeavors.
- Abstract(参考訳): サハラ以南のアフリカにおける都市人口増加の傾向をよりよく理解するには、高品質な時空間人口推定が必要である。
リモートセンシングと深層学習の併用は人口分布推定に有望な結果を得たが、現在の研究のほとんどは、単日国勢調査から得られた詳細な空間予測に焦点を当てており、時間的分析を無視している。
本研究では,短時間で時間的人口動態を解明する深層学習変化検出技術の評価に焦点をあてる。
変化検出のためのpcc法が個々の地図の誤差を伝播させることが知られているので,エンドツーエンドの人口増加マッピング法を提案する。
具体的には、Sentinel-2 MSIデータを用いた人口マッピングタスクで事前訓練されたResNetエンコーダを、シームズネットワークに組み込んだ。
シームズ・ネットワークは人口変化を正確に予測するために国勢調査レベルで訓練された。
提案手法の有効性は,2016-2020年にルワンダのキガリで,バイタイムのSentinel-2データを用いて実証された。
pccと比較すると、シャムゼネットワークは国勢調査レベルでの人口変化予測の誤りを大幅に削減した。
これらの結果から,将来のリモートセンシングによる人口成長地図の作成が期待できる。
関連論文リスト
- Mesh-Wise Prediction of Demographic Composition from Satellite Images
Using Multi-Head Convolutional Neural Network [0.0]
本稿では,事前学習したResNet50からの伝達学習を用いたマルチヘッド畳み込みニューラルネットワークモデルを提案する。
Landsat-8/OLIとSuomi NPP/VIIRS-DNSの衛星画像の入力と人口統計をラベルとして扱う。
トレーニングされたモデルは、すべての人口構成群に対して、少なくとも0.8914 in $textR2$の試験スコアを持つテストデータセット上で実行され、2022年の非センセーション年として、推定された人口構成が生成され、可視化された。
論文 参考訳(メタデータ) (2023-08-25T15:41:05Z) - A Double Machine Learning Trend Model for Citizen Science Data [0.0]
本稿では, 市民科学データに共通する年次共生を制御しながら, 種数傾向を推定するための新しいモデリング手法について述べる。
このアプローチはDouble Machine Learningに基づいており、このフレームワークは、機械学習手法を使って人口変化を推定し、データに見いだされたコンバウンディングの調整に使用される確率スコアを推定する。
論文 参考訳(メタデータ) (2022-10-27T15:08:05Z) - Spatial-Temporal Hypergraph Self-Supervised Learning for Crime
Prediction [60.508960752148454]
本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。
都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。
また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
論文 参考訳(メタデータ) (2022-04-18T23:46:01Z) - So2Sat POP -- A Curated Benchmark Data Set for Population Estimation
from Space on a Continental Scale [11.38584315242023]
欧州98都市における人口推定のための包括的データセットを提供する。
データセットは、デジタル標高モデル、地域気候帯、土地利用率、夜間光とマルチスペクトルセンチネル2画像の組み合わせ、およびOpen Street Mapイニシアチブのデータから構成される。
論文 参考訳(メタデータ) (2022-04-07T07:30:43Z) - Census-Independent Population Estimation using Representation Learning [0.5735035463793007]
代替データを用いた国勢調査非依存の人口推定手法は、頻繁に信頼性の高い人口推定を局所的に提供することを約束している。
モザンビークにおける近年の表現学習手法について検討し,人口推定への表現の伝達可能性を評価する。
表現学習を使用することで、特徴が自動的に抽出されるため、人間の監督が不要になる。
得られた人口推計をGRID3, Facebook (HRSL) および WorldPop の既存人口製品と比較した。
論文 参考訳(メタデータ) (2021-10-06T15:13:36Z) - JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。
人口動態の説明と予測のためのモデルの適用性を実証する。
論文 参考訳(メタデータ) (2021-06-11T12:30:43Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳(メタデータ) (2021-05-06T15:24:00Z) - Towards Sustainable Census Independent Population Estimation in
Mozambique [0.5735035463793007]
モザンビークの2つのパイロット地区における人口推計には, 国勢調査非依存の手法を用いる。
サステナビリティを促進するために、公開データセットを使用して人口を推定する可能性を評価します。
このアプローチで推定された足跡面積を使用すると、一般の機能のみに対して人口予測が改善するのを観察した。
論文 参考訳(メタデータ) (2021-04-26T16:37:41Z) - Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。
既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。
サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文 参考訳(メタデータ) (2020-09-30T03:40:07Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - Magnify Your Population: Statistical Downscaling to Augment the Spatial
Resolution of Socioeconomic Census Data [48.7576911714538]
重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。
選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。
本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
論文 参考訳(メタデータ) (2020-06-23T16:52:18Z)
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。