論文の概要: Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping

• arxiv url: http://arxiv.org/abs/2305.00640v1
• Date: Mon, 1 May 2023 03:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 14:11:09.031210
• Title: Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping
• Title（参考訳）: 過去推定:歴史的浸水マッピングのための衛星融合のためのCNN-LSTM深層学習フレームワーク
• Authors: Jonathan Giezendanner, Rohit Mukherjee, Matthew Purri, Mitchell Thomas, Max Mauerman, A.K.M. Saiful Islam, Beth Tellman
• Abstract要約: バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。 このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
• 参考スコア（独自算出の注目度）: 3.753635296366263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mapping floods using satellite data is crucial for managing and mitigating flood risks. Satellite imagery enables rapid and accurate analysis of large areas, providing critical information for emergency response and disaster management. Historical flood data derived from satellite imagery can inform long-term planning, risk management strategies, and insurance-related decisions. The Sentinel-1 satellite is effective for flood detection, but for longer time series, other satellites such as MODIS can be used in combination with deep learning models to accurately identify and map past flood events. We here develop a combined CNN--LSTM deep learning framework to fuse Sentinel-1 derived fractional flooded area with MODIS data in order to infer historical floods over Bangladesh. The results show how our framework outperforms a CNN-only approach and takes advantage of not only space, but also time in order to predict the fractional inundated area. The model is applied to historical MODIS data to infer the past 20 years of inundation extents over Bangladesh and compared to a thresholding algorithm and a physical model. Our fusion model outperforms both models in consistency and capacity to predict peak inundation extents.
• Abstract（参考訳）: 衛星データを用いた洪水のマッピングは、洪水リスクの管理と緩和に不可欠である。 衛星画像は広域の迅速かつ正確な分析を可能にし、緊急対応と災害管理に重要な情報を提供する。 衛星画像から得られた歴史的洪水データは、長期計画、リスク管理戦略、保険に関する決定を知らせることができる。 sentinel-1衛星は洪水検出に有効であるが、長い時系列では、modisのような他の衛星をディープラーニングモデルと組み合わせて、過去の洪水イベントを正確に識別しマッピングすることができる。 本稿では, バングラデシュにおける歴史的洪水を推定するために, センチネル-1由来の分水浸水地域とMODISデータとを融合したCNN-LSTM深層学習フレームワークを開発した。 結果は、我々のフレームワークがcnnのみのアプローチを上回っており、スペースだけでなく、分数的な浸水領域を予測する時間も活用していることを示している。 このモデルは過去のmodisデータに適用され、バングラデシュにおける過去20年間の浸水範囲を推定し、しきい値アルゴリズムと物理モデルと比較する。 我々の融合モデルは、ピーク浸水量を予測するために、一貫性とキャパシティの両方のモデルを上回る。

関連論文リスト

• Mapping Global Floods with 10 Years of Satellite Radar Data [0.0]
  本研究では,Sentinel-1 Synthetic Aperture Radar (SAR)衛星画像の雲透過性を利用した新しい深層学習洪水検出モデルを提案する。 我々は、クラウドカバレッジの影響を受けない予測を備えた、ユニークな、縦断的なグローバルな洪水範囲データセットを作成します。 我々は,エチオピアの歴史的洪水発生地域を特定し,2024年5月のケニアの洪水時のリアルタイム災害対応能力を示す。
  論文  参考訳（メタデータ） (2024-11-03T02:44:32Z)
• SDOoop: Capturing Periodical Patterns and Out-of-phase Anomalies in Streaming Data Analysis [45.79830400562905]
  本稿では、SDOのストリーミングバージョンを拡張して、データ構造の時間的情報を保持するSDOoopを提案する。 SDOoopは、従来のアルゴリズムでは検出できないコンテキスト異常を特定し、データジオメトリ、クラスタ、時間パターンの検査を可能にする。 我々は,侵入検出や自然科学領域のデータを用いてSDOoopを評価し,最先端の手法と同等あるいは優れている性能を得た。
  論文  参考訳（メタデータ） (2024-09-04T12:10:57Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Leveraging Citizen Science for Flood Extent Detection using Machine Learning Benchmark Dataset [0.9029386959445269]
  我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。 また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。 データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
  論文  参考訳（メタデータ） (2023-11-15T18:49:29Z)
• Transformer-based nowcasting of radar composites from satellite images for severe weather [45.0983299269404]
  衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。 厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。 このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
  論文  参考訳（メタデータ） (2023-10-30T13:17:38Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• 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)
• Towards Daily High-resolution Inundation Observations using Deep Learning and EO [0.0]
  絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。 衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。 空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2022-08-10T14:04:50Z)
• Attentive Dual Stream Siamese U-net for Flood Detection on Multi-temporal Sentinel-1 Data [0.0]
  両時間SARによる洪水検知ネットワークを提案する。 提案するセグメンテーションネットワークは,2つのシームズエンコーダを用いたエンコーダ・デコーダアーキテクチャを備え,プレフロッド画像とポストフロッド画像の符号化を行う。 このネットワークは、既存の最先端(一時期)の洪水検出手法を6%のIOUで上回った。
  論文  参考訳（メタデータ） (2022-04-20T10:56:39Z)

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。