Fugu-MT 論文翻訳(概要): Estimating Canopy Height at Scale

論文の概要: Estimating Canopy Height at Scale

arxiv url: http://arxiv.org/abs/2406.01076v1
Date: Mon, 3 Jun 2024 07:53:38 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 01:58:18.653893
Title: Estimating Canopy Height at Scale
Title（参考訳）: キャノピー高さをスケールで推定する
Authors: Jan Pauls, Max Zimmer, Una M. Kelly, Martin Schwartz, Sassan Saatchi, Philippe Ciais, Sebastian Pokutta, Martin Brandt, Fabian Gieseke,
Abstract要約: 衛星データに基づく世界規模キャノピー高さ推定のためのフレームワークを提案する。予測と地味ラベルを比較すると、MAE / RMSEは総計2.43/4.73(メートル)、樹高は4.45/6.72(メートル)となる。
参考スコア（独自算出の注目度）: 15.744009072839425
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a framework for global-scale canopy height estimation based on satellite data. Our model leverages advanced data preprocessing techniques, resorts to a novel loss function designed to counter geolocation inaccuracies inherent in the ground-truth height measurements, and employs data from the Shuttle Radar Topography Mission to effectively filter out erroneous labels in mountainous regions, enhancing the reliability of our predictions in those areas. A comparison between predictions and ground-truth labels yields an MAE / RMSE of 2.43 / 4.73 (meters) overall and 4.45 / 6.72 (meters) for trees taller than five meters, which depicts a substantial improvement compared to existing global-scale maps. The resulting height map as well as the underlying framework will facilitate and enhance ecological analyses at a global scale, including, but not limited to, large-scale forest and biomass monitoring.
Abstract（参考訳）: 衛星データに基づく世界規模キャノピー高さ推定のためのフレームワークを提案する。提案手法は,地中高度測定に固有の位置不正確性に対抗するために設計された新しい損失関数を利用して,山間部における誤ったラベルを効果的にフィルタリングし,それらの領域における予測の信頼性を高める。 MAE/RMSEは総計2.43/4.73(メートル)、樹高は4.45/6.72(メートル)である。結果として得られた高さマップと基盤となるフレームワークは、大規模な森林やバイオマスモニタリングを含む、世界規模での生態学的分析を促進・促進する。

関連論文リスト

A Deep Learning Approach to Estimate Canopy Height and Uncertainty by Integrating Seasonal Optical, SAR and Limited GEDI LiDAR Data over Northern Forests [0.0]
本研究では,空間連続高分解能キャノピー高さと不確実性推定を生成する手法を提案する。我々は、Sentinel-1、Landsat、ALOS-PALSAR-2のマルチソース・マルチシーズン衛星データと、GEDI LiDARを基準データとして統合する。夏のみのデータの代わりに季節データを使用することで、変動率が10%向上し、エラーが0.45m減少し、バイアスが1m低下した。
論文参考訳（メタデータ） (2024-10-08T20:27:11Z)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
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)
Accuracy and Consistency of Space-based Vegetation Height Maps for Forest Dynamics in Alpine Terrain [18.23260742076316]
スイス国立森林調査所(NFI)は、0.5mの空間解像度で全国の植生高度マップを提供している。これは、宇宙からのリモートセンシングと深層学習を用いて、大規模な植生高度マップを生成することで改善できる。センチネル2衛星画像に基づいて,2017年から2020年までの10m地点で年間,全国の植生高度マップを作成した。
論文参考訳（メタデータ） (2023-09-04T20:23:57Z)
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)
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)
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)
Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning [20.692092680921274]
NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。本稿では,GEDI波形とレグレッション・キャノピー・トップハイトを世界規模で解釈する新しい教師付き機械学習手法を提案する。
論文参考訳（メタデータ） (2021-03-05T23:08:27Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。