論文の概要: FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2
- arxiv url: http://arxiv.org/abs/2311.03339v1
- Date: Mon, 6 Nov 2023 18:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 13:09:01.583524
- Title: FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2
- Title（参考訳）: FLOGA:Sentinel-2を用いた領域マッピングのための機械学習準備データセット、ベンチマーク、新しいディープラーニングモデル
- Authors: Maria Sdraka, Alkinoos Dimakos, Alexandros Malounis, Zisoula Ntasiou,
Konstantinos Karantzalos, Dimitrios Michail, Ioannis Papoutsis
- Abstract要約: 森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。
我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
- 参考スコア（独自算出の注目度）: 41.28284355136163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the last decade there has been an increasing frequency and intensity of
wildfires across the globe, posing significant threats to human and animal
lives, ecosystems, and socio-economic stability. Therefore urgent action is
required to mitigate their devastating impact and safeguard Earth's natural
resources. Robust Machine Learning methods combined with the abundance of
high-resolution satellite imagery can provide accurate and timely mappings of
the affected area in order to assess the scale of the event, identify the
impacted assets and prioritize and allocate resources effectively for the
proper restoration of the damaged region. In this work, we create and introduce
a machine-learning ready dataset we name FLOGA (Forest wiLdfire Observations
for the Greek Area). This dataset is unique as it comprises of satellite
imagery acquired before and after a wildfire event, it contains information
from Sentinel-2 and MODIS modalities with variable spatial and spectral
resolution, and contains a large number of events where the corresponding burnt
area ground truth has been annotated by domain experts. FLOGA covers the wider
region of Greece, which is characterized by a Mediterranean landscape and
climatic conditions. We use FLOGA to provide a thorough comparison of multiple
Machine Learning and Deep Learning algorithms for the automatic extraction of
burnt areas, approached as a change detection task. We also compare the results
to those obtained using standard specialized spectral indices for burnt area
mapping. Finally, we propose a novel Deep Learning model, namely BAM-CD. Our
benchmark results demonstrate the efficacy of the proposed technique in the
automatic extraction of burnt areas, outperforming all other methods in terms
of accuracy and robustness. Our dataset and code are publicly available at:
https://github.com/Orion-AI-Lab/FLOGA.
- Abstract（参考訳）: 過去10年間で、世界中の山火事の頻度と強度が増加し、人間や動物の生活、生態系、社会経済的安定に大きな脅威となっている。
そのため、破壊的な影響を緩和し、地球の天然資源を保護するために緊急行動が必要である。
高解像度衛星画像の豊富さと組み合わされたロバスト機械学習手法は、被害領域の正確なタイムリーなマッピングを提供し、事象の規模を評価し、影響した資産を特定し、損傷領域の適切な復元のために資源を効果的に優先順位付けする。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、可変空間分解能とスペクトル分解能を有するSentinel-2およびMODISモダリティの情報を含み、ドメインの専門家によって対応する焼成領域基底真理が注釈付けされた多数のイベントを含む。
FLOGAはギリシャの広い地域をカバーしており、地中海の風景と気候が特徴である。
我々はFLOGAを用いて、変化検出タスクとしてアプローチされたバーント領域の自動抽出に複数の機械学習アルゴリズムとディープラーニングアルゴリズムを徹底的に比較する。
また, バーント領域マッピングのための標準スペクトル指標を用いた結果と比較した。
最後に,新たな深層学習モデルであるbam-cdを提案する。
評価の結果, 燃焼領域の自動抽出における提案手法の有効性が示され, 精度とロバスト性の観点から他の手法よりも優れていた。
私たちのデータセットとコードは、https://github.com/Orion-AI-Lab/FLOGAで公開されています。
関連論文リスト
- Advanced Wildfire Prediction in Morocco: Developing a Deep Learning Dataset from Multisource Observations [0.0]
本研究ではモロッコの山火事予測に特化して設計された,新しい包括的データセットを紹介する。
植生の健康度(NDVI)、人口密度、土壌水分量、気象データなどの重要な環境指標をまとめた。
予備的な結果は、このデータセットを用いたモデルが最大90%の精度を達成し、予測能力を著しく改善していることを示している。
論文 参考訳（メタデータ） (2024-11-09T15:01:12Z) - Plant detection from ultra high resolution remote sensing images: A Semantic Segmentation approach based on fuzzy loss [2.6489824612123716]
超高解像度(UHR)リモートセンシング画像から植物種を識別する課題に取り組む。
我々のアプローチは、ミリレベルの空間分解能を特徴とするRGBリモートセンシングデータセットの導入である。
UHRデータセットと公開データセットの両方で得られた最初の実験結果が提示され、提案手法の妥当性が示された。
論文 参考訳（メタデータ） (2024-08-31T17:40:17Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Rapid Deforestation and Burned Area Detection using Deep Multimodal
Learning on Satellite Imagery [3.8073142980733]
アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。
マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。
本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-07-10T21:49:30Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳（メタデータ） (2023-02-24T12:04:46Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - 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) - A Transfer Learning approach to Heatmap Regression for Action Unit
intensity estimation [50.261472059743845]
アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。
本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。
ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
論文 参考訳（メタデータ） (2020-04-14T16:51:13Z) - DFPENet-geology: A Deep Learning Framework for High Precision
Recognition and Segmentation of Co-seismic Landslides [7.927831418004974]
本稿では,Dense-Decoder Network (DFPENet) を用いたロバストモデル Dense Feature Pyramid を開発した。
DFPENetモデルから抽出した画像特徴,地質学的特徴,時間分解能,地すべりの空間解析,移動学習を統合した共地震地すべり認識手法を提案する。
論文 参考訳（メタデータ） (2019-08-28T19:07:40Z)
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。