論文の概要: Forest aboveground biomass estimation using GEDI and earth observation
data through attention-based deep learning
- arxiv url: http://arxiv.org/abs/2311.03067v1
- Date: Mon, 6 Nov 2023 12:51:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 14:22:07.673363
- Title: Forest aboveground biomass estimation using GEDI and earth observation
data through attention-based deep learning
- Title(参考訳): 注視深層学習によるGEDIと地球観測データを用いた森林表層バイオマス推定
- Authors: Wenquan Dong, Edward T.A. Mitchard, Hao Yu, Steven Hancock, Casey M.
Ryan
- Abstract要約: オープンアクセス型EOデータを用いた森林AGB推定のための新しい注意に基づく深層学習手法を提案する。
注意UNetモデルは,従来のRFアルゴリズムと比較して,バイオマス推定の精度が著しく向上した。
2019年、広東省の森林AGBマップ10万枚をAUで作成し、RFで作成したものと比較した。
- 参考スコア(独自算出の注目度): 4.006683457381442
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate quantification of forest aboveground biomass (AGB) is critical for
understanding carbon accounting in the context of climate change. In this
study, we presented a novel attention-based deep learning approach for forest
AGB estimation, primarily utilizing openly accessible EO data, including: GEDI
LiDAR data, C-band Sentinel-1 SAR data, ALOS-2 PALSAR-2 data, and Sentinel-2
multispectral data. The attention UNet (AU) model achieved markedly higher
accuracy for biomass estimation compared to the conventional RF algorithm.
Specifically, the AU model attained an R2 of 0.66, RMSE of 43.66 Mg ha-1, and
bias of 0.14 Mg ha-1, while RF resulted in lower scores of R2 0.62, RMSE 45.87
Mg ha-1, and bias 1.09 Mg ha-1. However, the superiority of the deep learning
approach was not uniformly observed across all tested models. ResNet101 only
achieved an R2 of 0.50, an RMSE of 52.93 Mg ha-1, and a bias of 0.99 Mg ha-1,
while the UNet reported an R2 of 0.65, an RMSE of 44.28 Mg ha-1, and a
substantial bias of 1.84 Mg ha-1. Moreover, to explore the performance of AU in
the absence of spatial information, fully connected (FC) layers were employed
to eliminate spatial information from the remote sensing data. AU-FC achieved
intermediate R2 of 0.64, RMSE of 44.92 Mgha-1, and bias of -0.56 Mg ha-1,
outperforming RF but underperforming AU model using spatial information. We
also generated 10m forest AGB maps across Guangdong for the year 2019 using AU
and compared it with that produced by RF. The AGB distributions from both
models showed strong agreement with similar mean values; the mean forest AGB
estimated by AU was 102.18 Mg ha-1 while that of RF was 104.84 Mg ha-1.
Additionally, it was observed that the AGB map generated by AU provided
superior spatial information. Overall, this research substantiates the
feasibility of employing deep learning for biomass estimation based on
satellite data.
- Abstract(参考訳): 森林表層バイオマス(AGB)の正確な定量化は、気候変動の文脈における炭素収支の理解に不可欠である。
本研究では,gedi lidarデータ,cバンドsentinel-1 sarデータ,alos-2 palsar-2データ,sentinel-2 multispectralデータなど,オープンアクセス可能なeoデータを活用した,森林agb推定のための新たな注意に基づくディープラーニング手法を提案する。
注意UNet(AU)モデルは,従来のRFアルゴリズムに比べてバイオマス推定の精度が著しく高かった。
具体的には、AUモデルは、R2が0.66、RMSEが43.66 Mg ha-1、バイアスが0.14 Mg ha-1、RFがR2 0.62、RMSE 45.87 Mg ha-1、バイアスが1.09 Mg ha-1に達した。
しかし、ディープラーニングアプローチの優位性は、全ての試験モデルで一様に観察されなかった。
ResNet101 の R2 は 0.50 で RMSE は 52.93 Mg ha-1 であり、バイアスは 0.99 Mg ha-1 であり、UNet は R2 は 0.65 で RMSE は 44.28 Mg ha-1 であり、実質バイアスは 1.84 Mg ha-1 であった。
さらに,空間情報がない場合のAUの性能を調べるために,リモートセンシングデータから空間情報を除去するために,完全連結(FC)層を用いた。
AU-FCは中間R2の0.64、RMSEの44.92 Mgha-1、バイアスの-0.56 Mgha-1を達成し、RFより優れていたが、空間情報を用いてAUモデルより優れていた。
また,2019年は広東省の森林AGBマップをAUで作成し,RFで作成したものと比較した。
両モデルともagb分布は類似の平均値と強い一致を示し,auによる平均森林agbは102.18 mg ha-1,rfは104.84 mg ha-1であった。
さらに,AUが生成したAGBマップは空間情報に優れていた。
本研究は,衛星データに基づくバイオマス推定における深層学習の可能性について検証した。
関連論文リスト
- Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。
合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。
NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。
本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
論文 参考訳(メタデータ) (2025-01-15T20:24:18Z) - Solar Active Regions Emergence Prediction Using Long Short-Term Memory
Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。
音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。
これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文 参考訳(メタデータ) (2024-09-25T23:09:46Z) - Developing a Thailand solar irradiance map using Himawari-8 satellite imageries and deep learning models [2.6464009706023925]
本稿では,タイの太陽放射マップを30分毎に表示し,https://www.cusolarforecast.comで公開する。
タイにおけるグローバル水平照度(GHI)の推定手法は,ヒマワリ8号衛星画像から抽出した雲指数に依存する。
本手法は, GHI推定モデルの入力として, クリアスキー光, クラウドインデックス, GHIの再解析, MERRA-2データベースからの温度データ, および日付データを用いる。
論文 参考訳(メタデータ) (2024-09-21T03:45:05Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳(メタデータ) (2024-08-27T15:03:20Z) - 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) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳(メタデータ) (2024-07-12T18:00:02Z) - QIENet: Quantitative irradiance estimation network using recurrent
neural network based on satellite remote sensing data [5.395141117217303]
衛星ヒマワリ8のリモートセンシングデータの時間的・空間的特性をRNNと畳み込み操作により抽出し,融合させる。
衛星スペクトルチャンネルB07〜B11〜B15は、QIENetのモデル入力として推奨される。
QIENetは、様々なクラウドが時間ごとのGHI推定に与える影響を捉えることができる。
論文 参考訳(メタデータ) (2023-12-01T02:30:08Z) - Estimating optical vegetation indices and biophysical variables for temperate forests with Sentinel-1 SAR data using machine learning techniques: A case study for Czechia [32.19783248549554]
森林生態系をモニタリングするための現在の光学的植生指標(VIs)は,様々な用途でよく確立され,広く利用されている。
対照的に、合成開口レーダ(SAR)のデータは、雲や昼夜の画像取得による信号の侵入により、完全な時系列(TS)を備えた洞察に富んだ、体系的な森林モニタリングを提供することができる。
本研究では、SARデータを用いて、機械学習(ML)による森林の光VIs推定の代替として光学衛星データの限界に対処することを目的とする。
一般に、SARベースのVIを高精度に推定し、年間240回測定し、空間分解能を20mまで向上することができる。
論文 参考訳(メタデータ) (2023-11-13T18:23:46Z) - Automating global landslide detection with heterogeneous ensemble
deep-learning classification [44.99833362998488]
地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。
危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。
近年,中~高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
論文 参考訳(メタデータ) (2023-09-12T10:56:16Z) - A Machine Learning Data Fusion Model for Soil Moisture Retrieval [0.6675805308519986]
深層学習に基づく畳み込み回帰モデルを構築し, 上部5cmの土壌の体積含水率を推定する。
入力予測器には、Sentinel-1(アクティブレーダ)、Sentinel-2(光学画像)、SMAP(パッシブレーダ)がある。
論文 参考訳(メタデータ) (2022-06-20T08:55:42Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳(メタデータ) (2020-02-26T06:10:12Z)
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。