Fugu-MT 論文翻訳(概要): First Mapping the Canopy Height of Primeval Forests in the Tallest Tree Area of Asia

論文の概要: First Mapping the Canopy Height of Primeval Forests in the Tallest Tree Area of Asia

arxiv url: http://arxiv.org/abs/2404.14661v1
Date: Tue, 23 Apr 2024 01:45:55 GMT
ステータス: 処理完了
システム内更新日: 2024-04-24 15:41:14.905631
Title: First Mapping the Canopy Height of Primeval Forests in the Tallest Tree Area of Asia
Title（参考訳）: アジア高木地域における初生林の樹高分布図の作成
Authors: Guangpeng Fan, Fei Yan, Xiangquan Zeng, Qingtao Xu, Ruoyoulan Wang, Binghong Zhang, Jialing Zhou, Liangliang Nan, Jinhu Wang, Zhiwei Zhang, Jia Wang,
Abstract要約: 我々は,世界規模の巨大木の分布領域を,世界初となる天蓋の高さマップを開発した。このマッピングは、より個人的でコミュニティレベルの巨大な木を見つけるために不可欠です。
参考スコア（独自算出の注目度）: 6.826460268652235
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We have developed the world's first canopy height map of the distribution area of world-level giant trees. This mapping is crucial for discovering more individual and community world-level giant trees, and for analyzing and quantifying the effectiveness of biodiversity conservation measures in the Yarlung Tsangpo Grand Canyon (YTGC) National Nature Reserve. We proposed a method to map the canopy height of the primeval forest within the world-level giant tree distribution area by using a spaceborne LiDAR fusion satellite imagery (Global Ecosystem Dynamics Investigation (GEDI), ICESat-2, and Sentinel-2) driven deep learning modeling. And we customized a pyramid receptive fields depth separable CNN (PRFXception). PRFXception, a CNN architecture specifically customized for mapping primeval forest canopy height to infer the canopy height at the footprint level of GEDI and ICESat-2 from Sentinel-2 optical imagery with a 10-meter spatial resolution. We conducted a field survey of 227 permanent plots using a stratified sampling method and measured several giant trees using UAV-LS. The predicted canopy height was compared with ICESat-2 and GEDI validation data (RMSE =7.56 m, MAE=6.07 m, ME=-0.98 m, R^2=0.58 m), UAV-LS point clouds (RMSE =5.75 m, MAE =3.72 m, ME = 0.82 m, R^2= 0.65 m), and ground survey data (RMSE = 6.75 m, MAE = 5.56 m, ME= 2.14 m, R^2=0.60 m). We mapped the potential distribution map of world-level giant trees and discovered two previously undetected giant tree communities with an 89% probability of having trees 80-100 m tall, potentially taller than Asia's tallest tree. This paper provides scientific evidence confirming southeastern Tibet--northwestern Yunnan as the fourth global distribution center of world-level giant trees initiatives and promoting the inclusion of the YTGC giant tree distribution area within the scope of China's national park conservation.
Abstract（参考訳）: 我々は,世界規模の巨大木の分布領域を,世界初となる天蓋の高さマップを開発した。このマッピングは、より個人的、地域社会的な巨大木を発見し、YTGC(Yarung Tsangpo Grand Canyon)国立自然保護区における生物多様性保全対策の有効性を分析し定量化するために重要である。我々は,地球規模の巨樹分布域内の原生林の樹冠の高さを,宇宙搭載のLiDAR融合衛星画像(Global Ecosystem Dynamics Investigation (GEDI), ICESat-2, Sentinel-2)を用いた深層学習モデルを用いてマッピングする方法を提案した。また,ピラミッド受容界深度分離可能なCNN (PRFXception) をカスタマイズした。 PRFXceptionは10mの空間解像度を持つSentinel-2光画像からGEDIとICESat-2のフットプリントレベルでのキャノピー高さを推定するために、樹冠の高さをマッピングするために特別にカスタマイズされたCNNアーキテクチャである。層状サンプリング法を用いて227個の永久プロットのフィールドサーベイを行い,UAV-LSを用いていくつかの巨大木を測定した。 ICESat-2とGEDIの検証データ(RMSE =7.56 m, MAE=6.07 m, ME=-0.98 m, R^2=0.58 m)、UAV-LS点雲(RMSE =5.75 m, MAE =3.72 m, ME = 0.82 m, R^2 = 0.65 m)、地上測量データ(RMSE = 6.75 m, MAE = 5.56 m, ME = 2.14 m, R^2=0.60 m)と比較した。我々は、世界レベルの巨大木の分布マップをマッピングし、2つの未発見の巨大木群落を発見し、その89%が高さ80-100メートルの高木で、アジアで最も高い木よりも高いと推定した。本論文は,チベット北西部の雲南省南東部を世界第4回世界規模の巨木流通拠点とし,中国国立公園保護の範囲内にYTGC巨木分布地域を包含することを奨励する科学的証拠を提供する。

関連論文リスト

PlantCamo: Plant Camouflage Detection [60.685139083469956]
本稿では,植物カモフラージュ検出(PCD)の課題を紹介する。この問題に対処するため,カモフラージュ植物を用いた1,250枚の画像からなるPlantCamoデータセットを導入した。提案したデータセット上で20以上の最先端CODモデルを用いて大規模なベンチマーク研究を行う。マルチスケールのグローバル機能拡張と改良により,PCNetはパフォーマンスを上回りました。
論文参考訳（メタデータ） (2024-10-23T06:51:59Z)
Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France [0.0]
本研究は、森林パラメータの局所マップを作成するために以前開発された機械学習アプローチを用いている。我々はGEDI Lidarミッションを基準高度データとして,Sentinel-1,Sentinel-2,ALOS-2 PALSA-2の衛星画像を用いて森林高度を推定した。高さマップは、アロメトリック方程式を用いて体積と地上のバイオマス(AGB)に導かれる。
論文参考訳（メタデータ） (2023-10-23T07:58:49Z)
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)
Sub-Meter Tree Height Mapping of California using Aerial Images and LiDAR-Informed U-Net Model [0.0]
樹冠の高さは、森林のバイオマス、生産性、種多様性の最も重要な指標の1つである。そこで我々は,カリフォルニアのすべての樹冠の高さを高解像度の空中画像でマッピングするために,回帰に適応したU-Netモデルを用いた。本モデルでは, 飽和のないキャノピー高さを最大50mまで推定し, 既存のキャノピー高さ製品よりも高い性能を示した。
論文参考訳（メタデータ） (2023-06-02T22:29:58Z)
Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文参考訳（メタデータ） (2023-04-22T22:39:03Z)
Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
論文参考訳（メタデータ） (2023-04-14T15:52:57Z)
High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
論文参考訳（メタデータ） (2022-12-20T14:14:37Z)
Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文参考訳（メタデータ） (2022-08-23T16:04:12Z)
Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文参考訳（メタデータ） (2021-11-25T16:21:28Z)
Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文参考訳（メタデータ） (2020-12-29T18:05:05Z)
A global method to identify trees outside of closed-canopy forests with medium-resolution satellite imagery [0.0]
密集した閉鎖性林の外の伐採された木は、炭素の隔離、生活支援、生態系の整合性維持、気候変動の適応と緩和に重要である。クローズド・キャノピー林内の樹木とは対照的に,世界規模で散在する樹木の空間的広さと分布についてはあまり分かっていない。中高分解能光・レーダ画像を用いて,3メートル以上の天蓋径の樹木を同定する一貫した手法を提案する。
論文参考訳（メタデータ） (2020-05-13T15:58:01Z)

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。