論文の概要: Harnessing Deep Learning and Satellite Imagery for Post-Buyout Land
Cover Mapping
- arxiv url: http://arxiv.org/abs/2401.07500v1
- Date: Mon, 15 Jan 2024 06:50:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 17:59:43.202174
- Title: Harnessing Deep Learning and Satellite Imagery for Post-Buyout Land
Cover Mapping
- Title(参考訳): 余剰土地被覆図作成のための難読化深層学習と衛星画像
- Authors: Hakan T. Otal, Elyse Zavar, Sherri B. Binder, Alex Greer, and M.
Abdullah Canbaz
- Abstract要約: 資産買い取りは、将来の災害に対する脆弱性を減らすための顕著なアプローチとして現れている。
しかし、これらの買収の余波、特に土地利用パターンや地域社会への影響については、未調査のままである。
本研究は、衛星画像解析や深層学習といった革新的な技術を用いて、これらのパターンを研究することによって、このギャップを埋めることを目的としている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Environmental disasters such as floods, hurricanes, and wildfires have
increasingly threatened communities worldwide, prompting various mitigation
strategies. Among these, property buyouts have emerged as a prominent approach
to reducing vulnerability to future disasters. This strategy involves
governments purchasing at-risk properties from willing sellers and converting
the land into open space, ostensibly reducing future disaster risk and impact.
However, the aftermath of these buyouts, particularly concerning land-use
patterns and community impacts, remains under-explored. This research aims to
fill this gap by employing innovative techniques like satellite imagery
analysis and deep learning to study these patterns. To achieve this goal, we
employed FEMA's Hazard Mitigation Grant Program (HMGP) buyout dataset,
encompassing over 41,004 addresses of these buyout properties from 1989 to
2017. Leveraging Google's Maps Static API, we gathered 40,053 satellite images
corresponding to these buyout lands. Subsequently, we implemented five
cutting-edge machine learning models to evaluate their performance in
classifying land cover types. Notably, this task involved multi-class
classification, and our model achieved an outstanding ROC-AUC score of 98.86%
- Abstract(参考訳): 洪水、ハリケーン、山火事などの環境災害は、世界中のコミュニティを脅かし、様々な緩和戦略を生み出している。
その中でも、将来の災害に対する脆弱性を減らすための顕著なアプローチとして不動産購入が浮上している。
この戦略は、政府が有望な売り手からリスクの高い資産を購入し、土地をオープンスペースに転換し、将来の災害リスクと影響を著しく低減させる。
しかし、特に土地利用パターンや地域の影響に関するこれらの買収の余波は未調査のままである。
本研究は,衛星画像解析や深層学習といった革新的な手法を応用して,このギャップを埋めることを目的とする。
FEMAのHMGP(Hazard Mitigation Grant Program)のバイアウトデータセットは1989年から2017年にかけて41,004以上のアドレスを格納している。
GoogleのMaps Static APIを利用して、購入した土地に対応する衛星画像40,053枚を集めました。
その後,5つの最先端機械学習モデルを実装し,土地被覆型の評価を行った。
特に、この課題には多クラス分類が含まれており、我々のモデルは卓越したROC-AUCスコア98.86%を達成した。
関連論文リスト
- Natural Disaster Analysis using Satellite Imagery and Social-Media Data
for Emergency Response Situations [0.0]
この研究は、衛星画像分析とTwitterデータ分析という2つの段階に分けられている。
第1段階は、災害前の衛星画像解析である。
第2段階は、災害状況に関する重要な情報で地域をマッピングすることに焦点を当てている。
論文 参考訳(メタデータ) (2023-11-16T15:01:26Z) - 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) - Classification and mapping of low-statured 'shrubland' cover types in
post-agricultural landscapes of the US Northeast [0.0]
新たな植物群落は景観を再構築し、土地被覆分類と地図作成の課題を提起する。
アメリカ北東部では、低木林(低木林)の出現はよく文書化されているが、景観の観点からはあまり理解されていない。
我々はニューヨーク州全体で30mの解像度で低木分布を予測するモデルを開発した。
論文 参考訳(メタデータ) (2022-05-09T14:54:41Z) - 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) - Detecting Damage Building Using Real-time Crowdsourced Images and
Transfer Learning [53.26496452886417]
本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。
トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。
訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
論文 参考訳(メタデータ) (2021-10-12T06:31:54Z) - Land Cover Mapping in Limited Labels Scenario: A Survey [13.162846466936994]
土地被覆マッピングは、地球環境の変化を監視し、天然資源を管理するために不可欠です。
従来の分類モデルは、既存の土地被覆製品で利用可能な限られたトレーニングデータに苦しめられている。
本稿では,土地被覆マッピングと機械学習手法における課題の構造化と包括的概要について述べる。
論文 参考訳(メタデータ) (2021-03-03T14:33:29Z) - Disturbing Reinforcement Learning Agents with Corrupted Rewards [62.997667081978825]
強化学習アルゴリズムに対する報酬の摂動に基づく異なる攻撃戦略の効果を分析します。
敵対的な報酬をスムーズに作成することは学習者を誤解させることができ、低探査確率値を使用すると、学習した政策は報酬を腐敗させるのがより堅牢であることを示しています。
論文 参考訳(メタデータ) (2021-02-12T15:53:48Z) - Post-Hurricane Damage Assessment Using Satellite Imagery and Geolocation
Features [0.2538209532048866]
本研究では,被災地の衛星画像と位置情報を活用し,災害後の被害建物を識別する混合データ手法を提案する。
この手法は、2017年のヒューストン大都市圏におけるハリケーン・ハーベイのケーススタディに基づいて、画像のみを用いて同様の作業を行うことで大幅に改善した。
本研究では,画像特徴に付加的な情報を提供するために位置情報機能の創造的な選択を行ったが,ドメイン知識や災害の種類に応じて,イベントの物理的挙動をモデル化するための他の機能を含めることはユーザ次第である。
論文 参考訳(メタデータ) (2020-12-15T21:30:19Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳(メタデータ) (2020-05-13T18:21:50Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳(メタデータ) (2020-04-15T19:52:09Z)
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。