論文の概要: Sub-meter resolution canopy height maps using self-supervised learning and a vision transformer trained on Aerial and GEDI Lidar

• arxiv url: http://arxiv.org/abs/2304.07213v2
• Date: Mon, 17 Apr 2023 16:37:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 11:41:02.511182
• Title: Sub-meter resolution canopy height maps using self-supervised learning and a vision transformer trained on Aerial and GEDI Lidar
• Title（参考訳）: 自己教師付き学習と空中およびジェダイライダーを用いた視覚トランスフォーマーを用いたサブメートル分解能キャノピー高さマップ
• Authors: Jamie Tolan, Hung-I Yang, Ben Nosarzewski, Guillaume Couairon, Huy Vo, John Brandt, Justine Spore, Sayantan Majumdar, Daniel Haziza, Janaki Vamaraju, Theo Moutakanni, Piotr Bojanowski, Tracy Johns, Brian White, Tobias Tiecke, Camille Couprie
• Abstract要約: 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。 カリフォルニア州とサンパオロ州で準メートル解像度でキャノピー高さマップを作成している。 マップは、2017年から2020年にかけて、マクサー画像の自己教師付きモデルから抽出された特徴に視覚変換器を適用することで生成される。
• 参考スコア（独自算出の注目度）: 14.059064462282858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vegetation structure mapping is critical for understanding the global carbon cycle and monitoring nature-based approaches to climate adaptation and mitigation. Repeat measurements of these data allow for the observation of deforestation or degradation of existing forests, natural forest regeneration, and the implementation of sustainable agricultural practices like agroforestry. Assessments of tree canopy height and crown projected area at a high spatial resolution are also important for monitoring carbon fluxes and assessing tree-based land uses, since forest structures can be highly spatially heterogeneous, especially in agroforestry systems. Very high resolution satellite imagery (less than one meter (1m) ground sample distance) makes it possible to extract information at the tree level while allowing monitoring at a very large scale. This paper presents the first high-resolution canopy height map concurrently produced for multiple sub-national jurisdictions. Specifically, we produce canopy height maps for the states of California and S\~{a}o Paolo, at sub-meter resolution, a significant improvement over the ten meter (10m) resolution of previous Sentinel / GEDI based worldwide maps of canopy height. The maps are generated by applying a vision transformer to features extracted from a self-supervised model in Maxar imagery from 2017 to 2020, and are trained against aerial lidar and GEDI observations. We evaluate the proposed maps with set-aside validation lidar data as well as by comparing with other remotely sensed maps and field-collected data, and find our model produces an average Mean Absolute Error (MAE) within set-aside validation areas of 3.0 meters.
• Abstract（参考訳）: 植生構造マッピングは、地球規模の炭素循環を理解し、気候適応と緩和に対する自然に基づくアプローチを監視するために重要である。 これらのデータの繰り返し測定は、森林の森林破壊や劣化の観察、自然林の再生、アグロフォレストリーのような持続可能な農業の実践を可能にする。 樹冠の高さと樹冠突出部を高空間分解能で評価することは,特に農林システムにおいて,森林構造が空間的に不均一であることから,炭素フラックスのモニタリングや森林利用の評価にも重要である。 非常に高解像度の衛星画像(地上サンプル距離が1メートル未満)は、非常に大規模なモニタリングを可能にしながら、木レベルで情報を抽出することができる。 本稿では,複数の国別管轄区域で同時に作成される最初の高解像度天蓋の高さマップについて述べる。 具体的には、カリフォルニア州と s\~{a}o paolo のために、以前のセンチネル/gediベースのキャノピー高さのグローバルマップの10メートル (10m) の解像度を大幅に改善したキャノピー高さマップを作成する。 地図は、2017年から2020年にかけてマクサー画像の自己監督モデルから抽出された特徴に視覚変換器を適用して作成され、空中ライダーやGEDI観測に対して訓練されている。 提案したマップを,他のリモートセンシングマップやフィールド収集データと比較することにより,セットアサイド検証ライダーデータを用いて評価し,セットアサイド検証領域3.0mで平均平均平均絶対誤差(MAE)を生成する。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Estimating Canopy Height at Scale [15.744009072839425]
  衛星データに基づく世界規模キャノピー高さ推定のためのフレームワークを提案する。 予測と地味ラベルを比較すると、MAE / RMSEは総計2.43/4.73(メートル)、樹高は4.45/6.72(メートル)となる。
  論文  参考訳（メタデータ） (2024-06-03T07:53:38Z)
• Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
  我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。 我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。 我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
  論文  参考訳（メタデータ） (2024-01-31T16:44:20Z)
• 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)
• 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)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• Information fusion approach for biomass estimation in a plateau mountainous forest using a synergistic system comprising UAS-based digital camera and LiDAR [9.944631732226657]
  本研究の目的は,高原山岳森林保護区の地上バイオマス(AGB)の定量化である。 我々はDAP(Digital Aero Photogrammetry)を用いて,速度,空間分解能,低コストの独特な利点を生かした。 マルチスペクトル画像から得られたCHMとスペクトル特性に基づいて,関心領域のAGBを相当のコスト効率で推定,マッピングした。
  論文  参考訳（メタデータ） (2022-04-14T04:04:59Z)
• 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)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• 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)

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。