論文の概要: Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset
- arxiv url: http://arxiv.org/abs/2311.09276v1
- Date: Wed, 15 Nov 2023 18:49:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 18:06:58.809251
- Title: Leveraging Citizen Science for Flood Extent Detection using Machine
Learning Benchmark Dataset
- Title(参考訳): 機械学習ベンチマークデータセットを用いた洪水範囲検出のための市民科学の活用
- Authors: Muthukumaran Ramasubramanian, Iksha Gurung, Shubhankar Gahlot, Ronny
H\"ansch, Andrew L. Molthan, Manil Maskey
- Abstract要約: 我々は、アメリカ本土とバングラデシュ内の約36,000平方キロメートルの地域をカバーする、既知の洪水イベントの間に、ラベル付きの水域範囲と浸水地域の範囲を作成します。
また、データセットをオープンソース化し、データセットに基づいたオープンコンペティションを開催して、コミュニティ生成モデルを使用した洪水範囲検出を迅速にプロトタイプ化しました。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
- 参考スコア(独自算出の注目度): 0.9029386959445269
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate detection of inundated water extents during flooding events is
crucial in emergency response decisions and aids in recovery efforts. Satellite
Remote Sensing data provides a global framework for detecting flooding extents.
Specifically, Sentinel-1 C-Band Synthetic Aperture Radar (SAR) imagery has
proven to be useful in detecting water bodies due to low backscatter of water
features in both co-polarized and cross-polarized SAR imagery. However,
increased backscatter can be observed in certain flooded regions such as
presence of infrastructure and trees - rendering simple methods such as pixel
intensity thresholding and time-series differencing inadequate. Machine
Learning techniques has been leveraged to precisely capture flood extents in
flooded areas with bumps in backscatter but needs high amounts of labelled data
to work desirably. Hence, we created a labeled known water body extent and
flooded area extents during known flooding events covering about 36,000 sq.
kilometers of regions within mainland U.S and Bangladesh. Further, We also
leveraged citizen science by open-sourcing the dataset and hosting an open
competition based on the dataset to rapidly prototype flood extent detection
using community generated models. In this paper we present the information
about the dataset, the data processing pipeline, a baseline model and the
details about the competition, along with discussion on winning approaches. We
believe the dataset adds to already existing datasets based on Sentinel-1C SAR
data and leads to more robust modeling of flood extents. We also hope the
results from the competition pushes the research in flood extent detection
further.
- Abstract(参考訳): 洪水時の浸水量の正確な検出は,緊急対応決定や復旧支援において重要である。
衛星リモートセンシングデータは、洪水範囲を検出するグローバルなフレームワークを提供する。
具体的には、Sentinel-1 C-Band Synthetic Aperture Radar (SAR)画像は、共偏極およびクロス偏極SAR画像の両方において、水の特徴の後方散乱が低いため、水体を検出するのに有用であることが証明されている。
しかし、インフラや木などの浸水した地域では後方散乱が増加しており、ピクセル強度の閾値付けや時系列の違いといった単純な手法が不十分である。
機械学習技術は、後方散乱で浸水した地域の洪水範囲を正確に把握するために利用されてきたが、好ましくは大量のラベル付きデータを必要とする。
その結果,約36,000 sqの洪水イベントにおいて,ラベル付き既知水域範囲と浸水面積を作成した。
アメリカ本土とバングラデシュの1kmの地域です
さらに,データセットをオープンソース化し,データセットに基づくオープンコンペティションを主催することで市民科学を活用し,コミュニティ生成モデルを用いた洪水範囲検出を迅速にプロトタイプ化する。
本稿では,データセットに関する情報,データ処理パイプライン,ベースラインモデル,コンペティションの詳細について述べるとともに,入賞アプローチに関する議論を行う。
データセットはSentinel-1C SARデータに基づく既存のデータセットに追加され、より堅牢な洪水範囲のモデリングにつながります。
また,競争の結果が,さらなる洪水範囲検出に寄与することを願っている。
関連論文リスト
- UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping [24.857739769719778]
UrbanSARFloodsは、事前処理されたSentinel-1強度データと、洪水前後に取得された干渉コヒーレンス画像を含むデータセットである。
8,879ドルの512times 512$チップで、20のランドカバークラスと18の洪水イベントにまたがって807,500$km2$をカバーしている。
我々はUrbanSARFloodsを用いて、既存の最先端の畳み込みニューラルネットワーク(CNN)を、オープンかつ都市的な洪水領域のセグメンテーションに使用した。
論文 参考訳(メタデータ) (2024-06-06T14:28:43Z) - Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies
mapping [40.996860106131244]
気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。
本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
論文 参考訳(メタデータ) (2024-01-05T18:11:08Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - 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) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Towards Daily High-resolution Inundation Observations using Deep
Learning and EO [0.0]
絶え間ないリモートセンシングは、シンオプティクスの洪水モニタリングに費用対効果のあるソリューションを提供する。
衛星は、現在進行中の洪水イベントをカバーする際に、タイムリーな浸水情報を提供するが、様々なスケールで洪水の進化を監視する能力に関して、その解像度によって制限される。
空間分解能と低時間分解能を持つコペルニクス・センチネルのような衛星のデータと、NASA SMAPとGPMのミッションのデータは、日々の規模で高分解能の浸水を引き起こす可能性がある。
論文 参考訳(メタデータ) (2022-08-10T14:04:50Z) - Flood Segmentation on Sentinel-1 SAR Imagery with Semi-Supervised
Learning [1.269104766024433]
複数のUNetアーキテクチャのアンサンブルモデルを、高信頼と低信頼のラベル付きデータでトレーニングする。
この同化データセットは、次のトレーニングアンサンブルモデルのラウンドに使用される。
弊社のアプローチは、ETCIコンペティションのリーダーボードのスコアが0.7654 IoUと高い。
論文 参考訳(メタデータ) (2021-07-18T05:42:10Z) - Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery
And Digital Elevation Models [0.0]
Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。
実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
論文 参考訳(メタデータ) (2020-12-11T18:42:15Z)
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。