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

• Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• Predicting Depression and Anxiety Risk in Dutch Neighborhoods from Street-View Images [2.7624021966289605]
  うつ病と不安障害は、世界の人口のかなりの部分に影響を及ぼす精神的な健康上の問題である。 本研究では,オランダの街路ビュー画像(SVI)を用いて,これらの障害の環境関連について検討した。 われわれのデータセットは、GoogleストリートビューからソースされたオランダのSVI9,879個で構成されており、オランダ健康監視局の統計的うつ病と不安リスク指標と組み合わせられている。
  論文  参考訳（メタデータ） (2024-06-27T10:05:56Z)
• Desk-AId: Humanitarian Aid Desk Assessment with Geospatial AI for Predicting Landmine Areas [2.105636394911375]
  Desk-AIdは地雷に特化したGeospatial AIアプローチを使用している。 提案システムでは, 確実な危険領域に対して, 地道のみを有するという課題に対処する。 地雷リスク評価のための2つの領域におけるDesk-Aidの評価実験 : 1)国全体で,2)未養殖地域を対象にした。
  論文  参考訳（メタデータ） (2024-05-15T15:39:35Z)
• 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)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• 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)
• 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)
• 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)

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。