論文の概要: Mapping Housing Stock Characteristics from Drone Images for Climate Resilience in the Caribbean

• arxiv url: http://arxiv.org/abs/2312.10306v1
• Date: Sat, 16 Dec 2023 03:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 17:29:43.608085
• Title: Mapping Housing Stock Characteristics from Drone Images for Climate Resilience in the Caribbean
• Title（参考訳）: カリブ海の気候回復のためのドローン画像からの住宅ストック特性のマッピング
• Authors: Isabelle Tingzon, Nuala Margaret Cowan, and Pierre Chrzanowski
• Abstract要約: 本研究では,超高解像度ドローン画像とディープラーニング技術を用いて,臨界ベースラインハウジングストックデータを高速に生成するワークフローを提案する。 この研究は、AIと地球観測に基づくソリューションを活用するための政府機関内のローカル能力を強化することで、カリブ海の小さな島開発州における住宅セクターの耐気候性を向上させることを目指している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Comprehensive information on housing stock is crucial for climate adaptation initiatives aiming to reduce the adverse impacts of climate-extreme hazards in high-risk regions like the Caribbean. In this study, we propose a workflow for rapidly generating critical baseline housing stock data using very high-resolution drone images and deep learning techniques. Specifically, our work leverages the Segment Anything Model and convolutional neural networks for the automated generation of building footprints and roof classification maps. By strengthening local capacity within government agencies to leverage AI and Earth Observation-based solutions, this work seeks to improve the climate resilience of the housing sector in small island developing states in the Caribbean.
• Abstract（参考訳）: 住宅備蓄に関する包括的情報は、カリブ海のようなリスクの高い地域での気候災害の悪影響を減らすことを目的とした気候適応イニシアチブにおいて不可欠である。 本研究では,超高解像度ドローン画像とディープラーニング技術を用いて,臨界ベースラインハウジングストックデータを高速に生成するワークフローを提案する。 具体的には、segment anythingモデルと畳み込みニューラルネットワークを活用し、建物足跡の自動生成と屋根分類マップを構築した。 この研究は、AIと地球観測に基づくソリューションを活用する政府機関内のローカル能力を強化することで、カリブ海の小さな島開発州における住宅セクターの耐気候性を向上させることを目指している。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Fusing VHR Post-disaster Aerial Imagery and LiDAR Data for Roof Classification in the Caribbean [0.0]
  屋上特性の自動分類には深層学習の手法を応用した。 この作業は、カリブ海での弾力性と災害対応を改善するために、政府がよりタイムリーに構築する情報を作成するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2023-07-30T09:15:38Z)
• HAiVA: Hybrid AI-assisted Visual Analysis Framework to Study the Effects of Cloud Properties on Climate Patterns [4.716196892532721]
  マリン・クラウド・ブライトニング(Marine Cloud Brightening、MCB)は、雲の反射率の修正であり、周囲の領域を冷却する。 そこで我々は,このような科学的研究を推進するために,ハイブリッドAI支援視覚分析フレームワークを提案する。 気候科学者のチームと協力して、クラウド-気候応答関数をエミュレートするハイブリッドAIモデルを開発しました。
  論文  参考訳（メタデータ） (2023-05-13T07:55:47Z)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Dwelling Type Classification for Disaster Risk Assessment Using Satellite Imagery [3.88838725116957]
  周辺地域の危険度とリスク評価は, 災害対策に不可欠である。 既存のシステムは、時間と費用のかかるフィールドサーベイに依存するため、警告を解読し、超局所的なレベルでリスクの正確な範囲を評価するスケーラブルな方法を提供していない。 この研究において、機械学習は住居とそのタイプを特定するプロセスを自動化するために使用され、潜在的に効果的な災害脆弱性評価システムを構築した。
  論文  参考訳（メタデータ） (2022-11-16T03:08:15Z)
• ClimateGAN: Raising Climate Change Awareness by Generating Images of Floods [89.61670857155173]
  実画像上でのリアルな洪水をシミュレートする手法を提案する。 本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
  論文  参考訳（メタデータ） (2021-10-06T15:54:57Z)
• Mobility Map Inference from Thermal Modeling of a Building [1.5522829321999745]
  部屋の温度から各建物に居住する者の分布である移動度マップを推定することの問題点を考察する。 提案アルゴリズムは,パラメータ学習者(Last Square Estimator)を改良したLast Square Estimatorを活用することで,上記の課題に対処する。 私たちの仕事は、オフィスビルの物理的なセキュリティを確保するなど、幅広いアプリケーションで使用できます。
  論文  参考訳（メタデータ） (2020-11-14T19:19:03Z)
• Street to Cloud: Improving Flood Maps With Crowdsourcing and Semantic Segmentation [31.204782936478487]
  Street to Cloudは、クラウドソーシングされた地上真実データを洪水の衛星画像のセグメンテーションに組み込むための機械学習パイプラインである。 本稿では,高品質の手書きトレーニングデータを生成する作業集約型タスクの解決策として,このアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-05T16:36:58Z)
• 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)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。