論文の概要: Kuro Siwo: 12.1 billion $m^2$ under the water. A global multi-temporal
satellite dataset for rapid flood mapping
- arxiv url: http://arxiv.org/abs/2311.12056v1
- Date: Sat, 18 Nov 2023 13:55:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 03:52:24.248964
- Title: Kuro Siwo: 12.1 billion $m^2$ under the water. A global multi-temporal
satellite dataset for rapid flood mapping
- Title(参考訳): 黒色(くろしお):水面下1210億m^2ドル。
急速洪水マッピングのためのグローバル多時衛星データセット
- Authors: Nikolaos Ioannis Bountos, Maria Sdraka, Angelos Zavras, Ilektra
Karasante, Andreas Karavias, Themistocles Herekakis, Angeliki Thanasou,
Dimitrios Michail, Ioannis Papoutsis
- Abstract要約: 洪水は人命、インフラ、環境に深刻な脅威をもたらす。
Kuro Siwoは、世界中の32の洪水イベントにまたがる、細心の注意を払ってキュレートされた多時期データセットである。
我々のデータセットは63億m2以上の土地をマッピングし、そのうち1210億は浸水した地域か永久的な水域である。
- 参考スコア(独自算出の注目度): 3.1368593246939898
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global floods, exacerbated by climate change, pose severe threats to human
life, infrastructure, and the environment. This urgency is highlighted by
recent catastrophic events in Pakistan and New Zealand, underlining the
critical need for precise flood mapping for guiding restoration efforts,
understanding vulnerabilities, and preparing for future events. While Synthetic
Aperture Radar (SAR) offers day-and-night, all-weather imaging capabilities,
harnessing it for deep learning is hindered by the absence of a large annotated
dataset. To bridge this gap, we introduce Kuro Siwo, a meticulously curated
multi-temporal dataset, spanning 32 flood events globally. Our dataset maps
more than 63 billion m2 of land, with 12.1 billion of them being either a
flooded area or a permanent water body. Kuro Siwo stands out for its
unparalleled annotation quality to facilitate rapid flood mapping in a
supervised setting. We also augment learning by including a large unlabeled set
of SAR samples, aimed at self-supervised pretraining. We provide an extensive
benchmark and strong baselines for a diverse set of flood events from Europe,
America, Africa and Australia. Our benchmark demonstrates the quality of Kuro
Siwo annotations, training models that can achieve $\approx$ 85% and $\approx$
87% in F1-score for flooded areas and general water detection respectively.
This work calls on the deep learning community to develop solution-driven
algorithms for rapid flood mapping, with the potential to aid civil protection
and humanitarian agencies amid climate change challenges. Our code and data
will be made available at https://github.com/Orion-AI-Lab/KuroSiwo
- Abstract(参考訳): 地球規模の洪水は気候変動によって悪化し、人命、インフラ、環境に深刻な脅威をもたらす。
この緊急性は、パキスタンとニュージーランドで最近起きた壊滅的な出来事によって強調され、修復作業のガイド、脆弱性の理解、将来のイベントの準備のための正確な洪水マッピングの必要性が強調されている。
Synthetic Aperture Radar(SAR)は、日夜の全天候イメージング機能を提供するが、ディープラーニングにそれを活用することは、大規模な注釈付きデータセットが欠如していることを妨げる。
このギャップを埋めるために,世界中の32の洪水イベントにまたがる,厳密にキュレートされた多時期データセットであるKuro Siwoを紹介した。
私たちのデータセットは6300億m2以上の土地を地図化しており、そのうち1210億は浸水地域か永久水域です。
黒潮は、管理された環境での迅速な洪水地図作成を容易にするため、無論の注釈品質で際立っている。
また,自己教師付き事前学習を目的とした,ラベルなしの大きなsarサンプルセットを含めることで,学習を増強する。
我々は、ヨーロッパ、アメリカ、アフリカ、オーストラリアからの様々な洪水イベントの広範なベンチマークと強力なベースラインを提供する。
本ベンチマークでは,浸水地域と一般水の検出にそれぞれ約85%,f1-scoreで約87%のトレーニングモデルであるクロシウアノテーションの質を実証した。
この研究は、気候変動の課題の中で市民保護や人道機関を支援する可能性があり、急激な洪水マッピングのためのソリューション駆動アルゴリズムの開発をディープラーニングコミュニティに求めている。
私たちのコードとデータはhttps://github.com/Orion-AI-Lab/KuroSiwoで公開されます。
関連論文リスト
- Flood Event Extraction from News Media to Support Satellite-Based Flood
Insurance [6.861462851750815]
保険のような災害の経済的ショックを吸収する安全網は、バングラデシュのような洪水に最も弱い地域では利用できないことが多い。
インデックスベースの保険は安価なソリューションとして現れており、気象データや衛星からの情報を考慮し、「フロードインデックス」を作成する。
本研究では,高分解能時間情報をニュースメディアから抽出することで,衛星ベースの洪水指数保険を支援する新しいアプローチについて検討する。
論文 参考訳(メタデータ) (2023-12-05T18:39:42Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - AI Increases Global Access to Reliable Flood Forecasts [6.498815455353096]
洪水は最も一般的な自然災害の1つであり、密度の高い流路ゲージネットワークが欠如している発展途上国では不均等な影響がある。
AIを用いて、未舗装の流域で5日間のリードタイムで極端な河川イベントを予測する信頼性を実現する。
この研究は、信頼できる洪水警報へのグローバルアクセスを改善し続けるために、水文データの可用性を高める必要性を強調している。
論文 参考訳(メタデータ) (2023-07-30T01:49:21Z) - Improved flood mapping for efficient policy design by fusion of
Sentinel-1, Sentinel-2, and Landsat-9 imagery to identify population and
infrastructure exposed to floods [15.893084685925073]
タンデムにおける光学およびSAR画像の応用は、洪水マッピングの可用性と信頼性を高める手段を提供する。
本稿では,これらの2種類のイメージを共通データ空間にマージする手法を提案する。
論文 参考訳(メタデータ) (2023-05-31T20:46:06Z) - 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) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳(メタデータ) (2023-01-04T05:19:33Z) - Transformer-based Flood Scene Segmentation for Developing Countries [1.7499351967216341]
洪水は大規模な自然災害であり、しばしば大量の死者、大規模な材料被害、経済的混乱を引き起こす。
早期警戒システム(EWS)は洪水を予測するための水位やその他の要因を常に評価し、被害を最小限に抑える。
FloodTransformerは、災害現場の空中画像から浸水した領域を検出し、セグメンテーションする最初のビジュアルトランスフォーマーベースのモデルである。
論文 参考訳(メタデータ) (2022-10-09T10:29:41Z) - ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and
Response with AI [55.41644538483948]
小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。
我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。
本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
論文 参考訳(メタデータ) (2022-01-25T14:51:19Z) - 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) - Physically-Consistent Generative Adversarial Networks for Coastal Flood
Visualization [60.690929022840685]
合成視覚衛星画像の物理的整合性を確保するための,最初のディープラーニングパイプラインを提案する。
物理ベースのフラッドマップと比較して画像を評価することにより,提案手法が物理一貫性とフォトリアリズムの両方においてベースラインモデルを上回ることを見出した。
地球観測における画像と画像の翻訳を研究するために、25k以上の画像ペアのデータセットを公開する。
論文 参考訳(メタデータ) (2021-04-10T15:00:15Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z)
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。