論文の概要: Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer
Learning
- arxiv url: http://arxiv.org/abs/2401.02424v1
- Date: Mon, 6 Nov 2023 18:10:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 09:59:23.685297
- Title: Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer
Learning
- Title(参考訳): EuroSATとTransfer Learningを用いた土地利用と土地被覆(LULC)のマッピング
- Authors: Suman Kunwar, Jannatul Ferdush
- Abstract要約: 人間活動は温室効果ガス排出量の23%を占める。
AI、コンピュータビジョン、地球観測データの最近の進歩は、土地利用地図における前例のない精度を実現している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the global population continues to expand, the demand for natural
resources increases. Unfortunately, human activities account for 23% of
greenhouse gas emissions. On a positive note, remote sensing technologies have
emerged as a valuable tool in managing our environment. These technologies
allow us to monitor land use, plan urban areas, and drive advancements in areas
such as agriculture, climate change mitigation, disaster recovery, and
environmental monitoring. Recent advances in AI, computer vision, and earth
observation data have enabled unprecedented accuracy in land use mapping. By
using transfer learning and fine-tuning with RGB bands, we achieved an
impressive 99.19% accuracy in land use analysis. Such findings can be used to
inform conservation and urban planning policies.
- Abstract(参考訳): 世界の人口が拡大を続けるにつれて、天然資源の需要は増大する。
残念ながら、人間の活動は温室効果ガス排出量の23%を占める。
ポジティブな点として、リモートセンシング技術は環境管理に有用なツールとして現れています。
これらの技術は, 土地利用の監視, 都市計画, 農業, 気候変動緩和, 災害復旧, 環境モニタリングなどの分野の進展を促進する。
AI、コンピュータビジョン、地球観測データの最近の進歩は、土地利用地図における前例のない精度を実現している。
転送学習とRGBバンドによる微調整により,土地利用分析における99.19%の精度を達成した。
このような知見は, 保全・都市計画政策に活用することができる。
関連論文リスト
- Discovering Effective Policies for Land-Use Planning [9.949152590444811]
森林、都市部、農業など、異なる用途の土地がどのように配分されているかは、地球上の炭素収支に大きな影響を及ぼす。
意思決定者が利用できるさまざまな選択肢を効率的に評価できるようにする代理モデルを学ぶことができる。
進化的探索プロセスは、特定の場所に対する効果的な土地利用政策を発見するために使用できる。
論文 参考訳(メタデータ) (2023-11-21T02:46:14Z) - Climate Change Impact on Agricultural Land Suitability: An Interpretable
Machine Learning-Based Eurasia Case Study [94.07737890568644]
2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。
気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。
本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
論文 参考訳(メタデータ) (2023-10-24T15:15:28Z) - Assessing of Soil Erosion Risk Through Geoinformation Sciences and
Remote Sensing -- A Review [0.0]
この章の主目的は、さまざまなタイプや構造の浸食モデルとそれらの応用をレビューすることである。
地理情報システム(GIS)の空間分析機能を利用するいくつかの手法が土壌浸食リスク評価のために運用されている。
論文 参考訳(メタデータ) (2023-10-12T15:53:47Z) - Detecting Environmental Violations with Satellite Imagery in Near Real
Time: Land Application under the Clean Water Act [1.3198454899217393]
本稿では,環境保全にコンピュータビジョンを利用するための,新しい,高精度な環境設定を提案する。
本研究では、土地利用予測のための物体検出モデルと、ほぼリアルタイムで推論を行うシステムを開発する。
全体として、我々のアプリケーションは、近日画像による環境コンプライアンスにおける大きな問題を解決するために、AIベースのコンピュータビジョンシステムの可能性を示している。
論文 参考訳(メタデータ) (2022-08-18T15:42:02Z) - GLOBUS: GLObal Building heights for Urban Studies [0.13999481573773068]
本稿では,GLObal Building heights for Urban Studies (GLOBUS) と呼ばれるディープニューラルネットワーク (DNN) から得られた新しいレベル・オブ・ディーテール-1 (LoD-1) 構築データセットを紹介する。
GLOBUSからの建築情報は,都市ヒートアイランド(UHI)効果などの局所的な現象を研究するために,数値気象予報(NWP)や都市エネルギー収支モデルに取り入れることができる。
論文 参考訳(メタデータ) (2022-05-24T17:34:14Z) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - Using Satellite Imagery and Machine Learning to Estimate the Livelihood
Impact of Electricity Access [4.006950662054732]
世界の多くの地域では、主要な経済成果に関する疎結合なデータが公共政策の発展、ターゲティング、評価を阻害している。
衛星画像と機械学習の進歩は、これらのデータと推論の課題を改善するのにどのように役立つかを実証する。
本稿では,衛星画像とコンピュータビジョンを組み合わせることで,生活環境への電気アクセスの因果的影響を推定し,地域レベルの生活環境計測を行う方法について述べる。
論文 参考訳(メタデータ) (2021-09-07T06:14:08Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳(メタデータ) (2020-07-07T12:44:17Z) - Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。
このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。
衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
論文 参考訳(メタデータ) (2020-04-11T19:49:09Z)
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。