Fugu-MT 論文翻訳(概要): Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning

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

Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery [1.9806397201363817]
本研究では, 深層学習と衛星画像を用いた高分解能都市域マップの構築について述べる。我々は、Landsat-8とESRI LULCデータセットの衛星画像に基づいて、DeepLabV3アーキテクチャに基づくディープラーニングモデルを開発した。我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。
論文参考訳（メタデータ） (2024-11-05T09:24:59Z)
Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors [1.4528189330418977]
我々は,現代の人的圧力の連続体に自然の陸地をマッピングするマルチモーダル教師付き深層学習フレームワークを開発した。我々のフレームワークは、センチネル2データから陸地自然度をマッピングする際のモデルの予測性能を改善する。
論文参考訳（メタデータ） (2024-06-27T16:17:33Z)
Towards A Comprehensive Assessment of AI's Environmental Impact [0.5982922468400899]
機械学習に対する最近の関心の高まりは、AI/MLの大規模採用に拍車をかけた。ライフサイクルを通じて、AI/MLから環境への影響と劣化を監視するフレームワークが必要である。本研究では、オープンなエネルギーデータとグローバルに取得した衛星観測を用いて、データセンター周辺におけるAIの多面的影響に関連する環境変数を追跡する手法を提案する。
論文参考訳（メタデータ） (2024-05-22T21:19:35Z)
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)
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)
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。