論文の概要: Digital elevation model correction in urban areas using extreme gradient boosting, land cover and terrain parameters

• arxiv url: http://arxiv.org/abs/2308.06545v1
• Date: Sat, 12 Aug 2023 12:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 16:42:58.242827
• Title: Digital elevation model correction in urban areas using extreme gradient boosting, land cover and terrain parameters
• Title（参考訳）: 急勾配上昇, 土地被覆, 地形パラメータを用いた都市域のデジタル標高モデル補正
• Authors: Chukwuma Okolie, Jon Mills, Adedayo Adeleke, Julian Smit
• Abstract要約: 南アフリカのケープタウン上空で2台の中分解能30m DEMの精度を高めるために, 極勾配促進(XGBoost)アンサンブルアルゴリズムを採用した。 トレーニングデータセットは、標高、都市フットプリント、斜面、アスペクト、表面粗さ、地形位置指数、地形粗さ指数、地形表面テクスチャ、ベクトル粗さ測定、森林被覆、裸地被覆を含む11の予測変数からなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accuracy of digital elevation models (DEMs) in urban areas is influenced by numerous factors including land cover and terrain irregularities. Moreover, building artifacts in global DEMs cause artificial blocking of surface flow pathways. This compromises their quality and adequacy for hydrological and environmental modelling in urban landscapes where precise and accurate terrain information is needed. In this study, the extreme gradient boosting (XGBoost) ensemble algorithm is adopted for enhancing the accuracy of two medium-resolution 30m DEMs over Cape Town, South Africa: Copernicus GLO-30 and ALOS World 3D (AW3D). XGBoost is a scalable, portable and versatile gradient boosting library that can solve many environmental modelling problems. The training datasets are comprised of eleven predictor variables including elevation, urban footprints, slope, aspect, surface roughness, topographic position index, terrain ruggedness index, terrain surface texture, vector roughness measure, forest cover and bare ground cover. The target variable (elevation error) was calculated with respect to highly accurate airborne LiDAR. After training and testing, the model was applied for correcting the DEMs at two implementation sites. The correction achieved significant accuracy gains which are competitive with other proposed methods. The root mean square error (RMSE) of Copernicus DEM improved by 46 to 53% while the RMSE of AW3D DEM improved by 72 to 73%. These results showcase the potential of gradient boosted trees for enhancing the quality of DEMs, and for improved hydrological modelling in urban catchments.
• Abstract（参考訳）: 都市のデジタル標高モデル(DEM)の精度は、土地被覆や地形の不規則性など多くの要因に影響されている。 さらに、グローバルなDEMでアーティファクトを構築することで、表面フロー経路を人工的にブロックする。 このことは、正確な地形情報が必要な都市景観における水文・環境モデリングの質と妥当性を損なう。 本研究では,南アフリカケープタウン上空の2つの中分解能30m DEM(Copernicus GLO-30とALOS World 3D)の精度を高めるために,極勾配促進(XGBoost)アンサンブルアルゴリズムを採用した。 XGBoostはスケーラブルでポータブルで多用途なグラデーション強化ライブラリであり、多くの環境モデリング問題を解決することができる。 トレーニングデータセットは、標高、都市フットプリント、斜面、アスペクト、表面粗さ、地形位置指数、地形粗さ指数、地形表面テクスチャ、ベクトル粗さ測定、森林被覆、裸地被覆を含む11の予測変数からなる。 目標変数(上昇誤差)は高度に高精度なLiDARに対して計算された。 トレーニングとテストの後、2つの実装サイトでDEMを修正するためのモデルが適用された。 この補正は、他の提案手法と競合する重要な精度向上を実現した。 Copernicus DEMの根平均二乗誤差(RMSE)は46～53%改善し、AW3D DEMのRMSEは72～73%改善した。 これらの結果から,DEMの品質向上と,都市流域における水文モデルの改善にともなう増木木の可能性が示された。

関連論文リスト

• A Deep Learning Approach to Estimate Canopy Height and Uncertainty by Integrating Seasonal Optical, SAR and Limited GEDI LiDAR Data over Northern Forests [0.0]
  本研究では,空間連続高分解能キャノピー高さと不確実性推定を生成する手法を提案する。 我々は、Sentinel-1、Landsat、ALOS-PALSAR-2のマルチソース・マルチシーズン衛星データと、GEDI LiDARを基準データとして統合する。 夏のみのデータの代わりに季節データを使用することで、変動率が10%向上し、エラーが0.45m減少し、バイアスが1m低下した。
  論文  参考訳（メタデータ） (2024-10-08T20:27:11Z)
• An Atmospheric Correction Integrated LULC Segmentation Model for High-Resolution Satellite Imagery [0.0]
  本研究では、大気の反射率と透過率を推定するために、ルックアップテーブルに基づく放射移動シミュレーションを用いる。 その後、修正された表面反射データは、教師付きおよび半教師付きセグメンテーションモデルで使用された。
  論文  参考訳（メタデータ） (2024-09-09T10:47:39Z)
• Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
  地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。 GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2024-08-20T23:15:41Z)
• 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)
• Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の双方の最も高い需要において、これらの誤り貢献ゾーンを特定することができる。 LPMは特定ゾーンに点密度を適用し、これらの領域の前に位置する点の不透明度をリセットし、不条件点を補正する新たな機会を創出する。 特に、LPMはバニラ3DGSとSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• PaintHuman: Towards High-fidelity Text-to-3D Human Texturing via Denoised Score Distillation [89.09455618184239]
  テキスト・ツー・3D世代における最近の進歩は画期的なものである。 そこで我々はPaintHumanというモデルを提案し,その課題を2つの側面から解決する。 奥行きマップを手引きとして,現実的なセマンティックなテクスチャの整合性を保証する。
  論文  参考訳（メタデータ） (2023-10-14T00:37:16Z)
• Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
  非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。 マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。 提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
  論文  参考訳（メタデータ） (2023-09-26T08:03:10Z)
• 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)
• 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)
• Scalable Surface Water Mapping up to Fine-scale using Geometric Features of Water from Topographic Airborne LiDAR Data [0.0]
  可変反射特性ではなく, 水の幾何学的特性に着目した一意な手法を提案する。 この自然法則を接続性とともに活用することにより,小水域を精度良く同定することができる。
  論文  参考訳（メタデータ） (2023-01-16T19:04:23Z)
• Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach [10.72081512622396]
  本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。 2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。 その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-25T18:35:28Z)

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。