論文の概要: Sub-Meter Tree Height Mapping of California using Aerial Images and
LiDAR-Informed U-Net Model
- arxiv url: http://arxiv.org/abs/2306.01936v1
- Date: Fri, 2 Jun 2023 22:29:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 21:23:54.270467
- Title: Sub-Meter Tree Height Mapping of California using Aerial Images and
LiDAR-Informed U-Net Model
- Title(参考訳): 空中画像とLiDARインフォームドU-Netモデルを用いたカリフォルニアのサブメートル木高マッピング
- Authors: Fabien H Wagner, Sophia Roberts, Alison L Ritz, Griffin Carter,
Ricardo Dalagnol, Samuel Favrichon, Mayumi CM Hirye, Martin Brandt, Philipe
Ciais and Sassan Saatchi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tree canopy height is one of the most important indicators of forest biomass,
productivity, and species diversity, but it is challenging to measure
accurately from the ground and from space. Here, we used a U-Net model adapted
for regression to map the canopy height of all trees in the state of California
with very high-resolution aerial imagery (60 cm) from the USDA-NAIP program.
The U-Net model was trained using canopy height models computed from aerial
LiDAR data as a reference, along with corresponding RGB-NIR NAIP images
collected in 2020. We evaluated the performance of the deep-learning model
using 42 independent 1 km$^2$ sites across various forest types and landscape
variations in California. Our predictions of tree heights exhibited a mean
error of 2.9 m and showed relatively low systematic bias across the entire
range of tree heights present in California. In 2020, trees taller than 5 m
covered ~ 19.3% of California. Our model successfully estimated canopy heights
up to 50 m without saturation, outperforming existing canopy height products
from global models. The approach we used allowed for the reconstruction of the
three-dimensional structure of individual trees as observed from nadir-looking
optical airborne imagery, suggesting a relatively robust estimation and mapping
capability, even in the presence of image distortion. These findings
demonstrate the potential of large-scale mapping and monitoring of tree height,
as well as potential biomass estimation, using NAIP imagery.
- Abstract(参考訳): 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つであるが、地上や宇宙から正確に測定することは困難である。
そこで我々は,USDA-NAIPプログラムから高解像度の空中画像(60cm)を用いて,カリフォルニアのすべての樹冠の高さを回帰に適応したU-Netモデルを用いた。
U-Netモデルは、2020年に収集されたRGB-NIR NAIP画像とともに、空中LiDARデータから算出されたキャノピー高さモデルを用いて訓練された。
カリフォルニア州の様々な森林タイプと景観変動を考慮した42の独立した1 km$^2$サイトを用いた深層学習モデルの性能評価を行った。
樹高の予測値の平均誤差は2.9mであり,カリフォルニアの樹高全体にわたって比較的低い系統的偏差を示した。
2020年、高さ5m以上の木がカリフォルニアの19.3%を占めた。
我々のモデルは飽和なしで最大50mのキャノピー高さを推定し、グローバルモデルによる既存のキャノピー高さ製品よりも優れていた。
この手法は,nadir型光学空中画像から観察された個々の樹木の3次元構造を再構成することを可能にし,画像歪みの存在下でも比較的ロバストな推定とマッピング能力を示した。
これらの結果は,naip画像を用いた大規模マッピングと樹高モニタリング,およびバイオマス推定の可能性を示している。
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) - Forecasting with Hyper-Trees [50.72190208487953]
Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。
対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。
この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
論文 参考訳(メタデータ) (2024-05-13T15:22:15Z) - 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) - 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) - 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) - High-resolution canopy height map in the Landes forest (France) based on
GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
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。
論文 参考訳(メタデータ) (2022-12-20T14:14:37Z) - Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery [1.1661668662828382]
本研究では,都市環境における個々の木検出のための新しい深層学習手法を提案する。
畳み込みニューラルネットワークを用いて、個々の木の位置を示す信頼マップを回帰する。
本手法は,公共空間とプライベート空間の両方で樹木を検出することによって,完全な空間被覆を実現する。
論文 参考訳(メタデータ) (2022-08-22T21:26:57Z) - 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) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳(メタデータ) (2021-11-23T08:04:32Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳(メタデータ) (2021-04-10T15:00:15Z)
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。