論文の概要: Estimate the building height at a 10-meter resolution based on Sentinel data
- arxiv url: http://arxiv.org/abs/2405.00989v1
- Date: Thu, 2 May 2024 03:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 17:54:29.168285
- Title: Estimate the building height at a 10-meter resolution based on Sentinel data
- Title（参考訳）: センチネルデータに基づく建物の高さを10m分解能で推定する
- Authors: Xin Yan,
- Abstract要約: 本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。
これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。
時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
- 参考スコア（独自算出の注目度）: 5.080045077714947
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Building height is an important indicator for scientific research and practical application. However, building height products with a high spatial resolution (10m) are still very scarce. To meet the needs of high-resolution building height estimation models, this study established a set of spatial-spectral-temporal feature databases, combining SAR data provided by Sentinel-1, optical data provided by Sentinel-2, and shape data provided by building footprints. The statistical indicators on the time scale are extracted to form a rich database of 160 features. This study combined with permutation feature importance, Shapley Additive Explanations, and Random Forest variable importance, and the final stable features are obtained through an expert scoring system. This study took 12 large, medium, and small cities in the United States as the training data. It used moving windows to aggregate the pixels to solve the impact of SAR image displacement and building shadows. This study built a building height model based on a random forest model and compared three model ensemble methods of bagging, boosting, and stacking. To evaluate the accuracy of the prediction results, this study collected Lidar data in the test area, and the evaluation results showed that its R-Square reached 0.78, which can prove that the building height can be obtained effectively. The fast production of high-resolution building height data can support large-scale scientific research and application in many fields.
- Abstract（参考訳）: 建築の高さは科学的研究と実用化の重要な指標である。
しかし,高空間分解能(10m)の建材は依然として極めて少ない。
本研究では,高分解能建築物の高さ推定モデルの必要性に応えるために,Sentinel-1で提供されるSARデータ,Sentinel-2で提供される光学データ,建築フットプリントで提供される形状データを組み合わせた空間時空間特徴データベースを構築した。
時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
本研究は, 変分特徴の重要性, 共有付加説明, ランダムフォレスト変数の重要度と組み合わせて, エキスパートスコアリングシステムを用いて最終安定度を求める。
本研究は、米国の12大都市、中小都市をトレーニングデータとして分析した。
移動窓を使ってピクセルを集約し、SAR画像の変位と影の構築の影響を解消した。
本研究では,ランダム林モデルに基づく建物の高さモデルを構築し,バッジ,ブースティング,積み重ねの3つのモデルアンサンブル手法を比較した。
本研究は, 予測結果の精度を評価するために, 試験領域のライダーデータを収集し, そのR-Squareが0.78に達したことを示し, 建物の高さを効果的に得ることを示した。
高解像度建築高データの高速生産は、多くの分野における大規模科学的研究と応用を支援することができる。
関連論文リスト
- Classification of residential and non-residential buildings based on satellite data using deep learning [0.0]
本稿では,高分解能衛星データとベクトルデータを組み合わせて,高性能なビルディング分類を実現する新しいディープラーニング手法を提案する。
大規模データセットによる実験結果から,F1スコアの0.9936が得られた。
論文 参考訳（メタデータ） (2024-11-11T11:23:43Z) - Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。
我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
論文 参考訳（メタデータ） (2024-08-01T21:38:09Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - The Languini Kitchen: Enabling Language Modelling Research at Different
Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。
私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。
この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文 参考訳（メタデータ） (2023-09-20T10:31:17Z) - Data Fusion for Multi-Task Learning of Building Extraction and Height
Estimation [0.0]
本稿では,光学衛星画像とレーダ衛星画像の両方を用いて,ビルの抽出と高さ推定を行うマルチタスク学習手法を提案する。
マルチタスク学習の初期目標とは対照的に,本論文では,制約下での建物抽出と高さ推定の個別実施について報告する。
論文 参考訳（メタデータ） (2023-08-05T22:16:19Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - A CNN regression model to estimate buildings height maps using
Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。
我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。
モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
論文 参考訳（メタデータ） (2023-07-03T22:16:17Z) - Building Floorspace in China: A Dataset and Learning Pipeline [0.32228025627337864]
本稿は、中国40大都市における建物の床面積を計測する最初のマイルストーンを提供する。
我々は、メインデータソースとしてSentinel-1と-2の衛星画像を使用する。
データ、アルゴリズム、評価の詳細な説明を提供する。
論文 参考訳（メタデータ） (2023-03-03T21:45:36Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z)
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。