論文の概要: Adaptive Modeling of Satellite-Derived Nighttime Lights Time-Series for
Tracking Urban Change Processes Using Machine Learning
- arxiv url: http://arxiv.org/abs/2306.08501v1
- Date: Wed, 14 Jun 2023 13:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 18:58:04.718009
- Title: Adaptive Modeling of Satellite-Derived Nighttime Lights Time-Series for
Tracking Urban Change Processes Using Machine Learning
- Title（参考訳）: 機械学習を用いた都市変化過程追跡のための衛星誘導夜間光時系列の適応モデリング
- Authors: Srija Chakraborty and Eleanor C. Stokes
- Abstract要約: 本研究では,毎日の衛星からのNTLデータ記録から都市変化を検出するためのデータ駆動手法を提案する。
提案手法では,ニューラルネットワークを用いて過去のデータ記録からNTLシグネチャを予測する。
モデル予測から観測されたNTLの偏差に基づいて都市の変化を検出する。
- 参考スコア（独自算出の注目度）: 1.256413718364189
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Remotely sensed nighttime lights (NTL) uniquely capture urban change
processes that are important to human and ecological well-being, such as
urbanization, socio-political conflicts and displacement, impacts from
disasters, holidays, and changes in daily human patterns of movement. Though
several NTL products are global in extent, intrinsic city-specific factors that
affect lighting, such as development levels, and social, economic, and cultural
characteristics, are unique to each city, making the urban processes embedded
in NTL signatures difficult to characterize, and limiting the scalability of
urban change analyses. In this study, we propose a data-driven approach to
detect urban changes from daily satellite-derived NTL data records that is
adaptive across cities and effective at learning city-specific temporal
patterns. The proposed method learns to forecast NTL signatures from past data
records using neural networks and allows the use of large volumes of unlabeled
data, eliminating annotation effort. Urban changes are detected based on
deviations of observed NTL from model forecasts using an anomaly detection
approach. Comparing model forecasts with observed NTL also allows identifying
the direction of change (positive or negative) and monitoring change severity
for tracking recovery. In operationalizing the model, we consider ten urban
areas from diverse geographic regions with dynamic NTL time-series and
demonstrate the generalizability of the approach for detecting the change
processes with different drivers and rates occurring within these urban areas
based on NTL deviation. This scalable approach for monitoring changes from
daily remote sensing observations efficiently utilizes large data volumes to
support continuous monitoring and decision making.
- Abstract（参考訳）: リモートセンシングされた夜間灯(ntl)は、都市化、社会・政治の衝突と変位、災害、休日、日々の人間の行動パターンの変化など、人間と生態的な幸福にとって重要な都市変化プロセスを独特に捉えている。
グローバルなNTL製品はいくつかあるが、開発レベルや社会的、経済的、文化的特徴など、光に影響を与える固有の都市特有の要因は、各都市特有のものであり、NTLシグネチャに埋め込まれた都市プロセスの特徴付けが困難であり、都市の変化分析のスケーラビリティを制限している。
本研究では,各都市に適応し,都市固有の時間パターンの学習に有効である日次衛星由来NTLデータから都市変化を検出するためのデータ駆動型手法を提案する。
提案手法は,過去のデータ記録からニューラルネットワークを用いてntlシグネチャを予測し,大量のラベルなしデータの利用を可能にし,アノテーションの手間を省く。
異常検出手法を用いたモデル予測から観測されたNTLの偏差に基づいて都市の変化を検出する。
モデル予測と観測されたNTLを比較することで、変更の方向(正または負)を特定したり、変更の重大度を監視してリカバリを追跡することもできる。
このモデルの運用にあたっては,動的ntl時系列を持つ多様な地域から10の都市圏を考察し,ntl偏差に基づいて,異なるドライバによる変化過程とこれらの都市域内で発生するレートを検出する手法の一般化可能性を示す。
毎日のリモートセンシング観測から変化を監視するこのスケーラブルなアプローチは、大規模なデータボリュームを効率的に活用し、継続的な監視と意思決定をサポートする。
関連論文リスト
- Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。
データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。
この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
論文 参考訳（メタデータ） (2024-09-07T06:24:50Z) - SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。
本稿では,交通事故予測のための動的学習フレームワークを提案する。
これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。
また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
論文 参考訳（メタデータ） (2024-07-24T21:10:34Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Towards Invariant Time Series Forecasting in Smart Cities [21.697069894721448]
本研究では,異なる都市環境下でのより堅牢な予測のために,不変表現を導出する手法を提案する。
本手法は, 気候モデル, 都市計画, スマートシティ資源管理など, 多様な分野に拡張することができる。
論文 参考訳（メタデータ） (2024-05-08T21:23:01Z) - Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。
我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。
GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2024-02-19T08:11:26Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Lumos in the Night Sky: AI-enabled Visual Tool for Exploring Night-Time
Light Patterns [4.109426006734537]
NightPulseは、Night-time Light(NTL)データ可視化と分析のためのインタラクティブツールである。
研究者やステークホルダは、NTLデータをユーザフレンドリーなプラットフォームで探索し分析することができる。
論文 参考訳（メタデータ） (2023-06-05T19:13:44Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z)
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。