論文の概要: An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series
- arxiv url: http://arxiv.org/abs/2406.02506v3
- Date: Thu, 20 Feb 2025 11:23:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:25:26.285837
- Title: An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series
- Title(参考訳): Sentinel-1 Time Series を用いたウクライナの大規模戦時破壊をマッピングするオープンソースツール
- Authors: Olivier Dietrich, Torben Peters, Vivien Sainte Fare Garnot, Valerie Sticher, Thao Ton-That Whelan, Konrad Schindler, Jan Dirk Wegner,
- Abstract要約: 武装紛争による建物被害を推定するスケーラブルな手法を提案する。
合成開口レーダ画像時系列の機械学習モデルを訓練することにより、建物レベルで確率的損傷推定を生成する。
大規模な推論を可能にし、アクセシビリティを確保するため、我々はGoogle Earth Engine上で実行するためにメソッドを紐付けます。
- 参考スコア(独自算出の注目度): 16.900687593159066
- License:
- Abstract: Access to detailed war impact assessments is crucial for humanitarian organizations to assist affected populations effectively. However, maintaining a comprehensive understanding of the situation on the ground is challenging, especially in widespread and prolonged conflicts. Here we present a scalable method for estimating building damage resulting from armed conflicts. By training a machine learning model on Synthetic Aperture Radar image time series, we generate probabilistic damage estimates at the building level, leveraging existing damage assessments and open building footprints. To allow large-scale inference and ensure accessibility, we tie our method to run on Google Earth Engine. Users can adjust confidence intervals to suit their needs, enabling rapid and flexible assessments of war-related damage across large areas. We provide two publicly accessible dashboards: a Ukraine Damage Explorer to dynamically view our precomputed estimates, and a Rapid Damage Mapping Tool to run our method and generate custom maps.
- Abstract(参考訳): 人道的組織にとって、より詳細な戦争影響評価へのアクセスは、影響を受ける人口を効果的に支援することが不可欠である。
しかし、特に広範に長期にわたる紛争において、地上の状況を包括的に理解することは困難である。
ここでは、武装紛争による建物被害を推定するスケーラブルな手法を提案する。
合成開口レーダ画像時系列の機械学習モデルをトレーニングすることにより、既存の損傷評価とオープンな建物のフットプリントを利用して、建物レベルで確率的損傷推定を生成する。
大規模な推論を可能にし、アクセシビリティを確保するため、我々はGoogle Earth Engine上で実行するためにメソッドを紐付けます。
ユーザーは自分のニーズに合うように信頼区間を調整できるため、広範囲にわたる戦争関連損傷の迅速かつ柔軟な評価が可能になる。
事前に計算された見積もりを動的に見るためのウクライナのダメージエクスプローラーと、メソッドを実行してカスタムマップを生成するためのRapid damage Mapping Toolの2つの公開ダッシュボードを提供しています。
関連論文リスト
- Multiclass Post-Earthquake Building Assessment Integrating Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。
2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
論文 参考訳(メタデータ) (2024-12-05T23:19:51Z) - Open Access Battle Damage Detection via Pixel-Wise T-Test on Sentinel-1 Imagery [0.0]
本稿では,建物損傷検出のための新しい手法を提案する。
Pixel-Wise T-Test (PWTT) は、一定時間間隔で広範囲にわたる正確な衝突損傷推定を生成する。
精度は、ウクライナ、パレスチナ、シリア、イラクの12都市にまたがる50万以上の建物フットプリントの当初のデータセットを用いて評価されている。
論文 参考訳(メタデータ) (2024-05-10T08:50:08Z) - DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery [12.869300064524122]
本稿では, 損傷評価, セグメンテーション, 分類において, ディープラーニングモデルによる2つの重要な課題を遂行するソリューションを提案する。
我々の最良のモデルは、建物識別セマンティックセグメンテーション畳み込みニューラルネットワーク(CNN)と建物損傷分類CNNを組み合わせ、合計F1スコアは0.66である。
本モデルでは比較的精度の高い建物を同定することができたが,災害タイプによる被害の分類は困難であることが判明した。
論文 参考訳(メタデータ) (2024-05-08T04:21:03Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳(メタデータ) (2023-02-24T12:04:46Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and
Response with AI [55.41644538483948]
小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。
我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。
本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
論文 参考訳(メタデータ) (2022-01-25T14:51:19Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳(メタデータ) (2021-01-07T06:08:21Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳(メタデータ) (2020-11-20T10:30:43Z) - Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。
本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。
我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
論文 参考訳(メタデータ) (2020-10-12T19:01:20Z) - 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。