論文の概要: Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors
- arxiv url: http://arxiv.org/abs/2406.19302v1
- Date: Thu, 27 Jun 2024 16:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 13:28:34.975505
- Title: Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors
- Title(参考訳): 深部環境と地理的事前情報を用いたセンチネル2からの陸地自然度マッピング
- Authors: Burak Ekim, Michael Schmitt,
- Abstract要約: 我々は,現代の人的圧力の連続体に自然の陸地をマッピングするマルチモーダル教師付き深層学習フレームワークを開発した。
我々のフレームワークは、センチネル2データから陸地自然度をマッピングする際のモデルの予測性能を改善する。
- 参考スコア(独自算出の注目度): 1.4528189330418977
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent decades, the causes and consequences of climate change have accelerated, affecting our planet on an unprecedented scale. This change is closely tied to the ways in which humans alter their surroundings. As our actions continue to impact natural areas, using satellite images to observe and measure these effects has become crucial for understanding and combating climate change. Aiming to map land naturalness on the continuum of modern human pressure, we have developed a multi-modal supervised deep learning framework that addresses the unique challenges of satellite data and the task at hand. We incorporate contextual and geographical priors, represented by corresponding coordinate information and broader contextual information, including and surrounding the immediate patch to be predicted. Our framework improves the model's predictive performance in mapping land naturalness from Sentinel-2 data, a type of multi-spectral optical satellite imagery. Recognizing that our protective measures are only as effective as our understanding of the ecosystem, quantifying naturalness serves as a crucial step toward enhancing our environmental stewardship.
- Abstract(参考訳): 過去数十年間、気候変動の原因と結果が加速し、地球に前例のない規模で影響を及ぼした。
この変化は、人間が周囲を変える方法と密接に結びついている。
我々の行動は自然圏に影響を与え続けており、これらの効果を観測・測定するために衛星画像を利用することは、気候変動の理解と対策に不可欠になっている。
現代の人的圧力の連続体に自然の陸地をマッピングすることを目的として,衛星データの固有の課題と今後の課題に対処するマルチモーダル・教師付きディープラーニングフレームワークを開発した。
我々は、対応する座標情報と、予測される即時パッチを含むより広いコンテキスト情報で表される文脈的および地理的先行情報を組み込んだ。
本フレームワークは、マルチスペクトル光衛星画像の一種であるSentinel-2データから陸地自然度をマッピングする際のモデルの予測性能を向上させる。
保護措置が生態系の理解と同じくらいに効果的であることを認識し、自然性を定量化することは、環境管理を強化するための重要なステップである。
関連論文リスト
- Typhoon Intensity Prediction with Vision Transformer [51.84456610977905]
台風強度を正確に予測するために「台風強度変換器(Tint)」を導入する。
Tintは、層ごとにグローバルな受容野を持つ自己認識機構を使用する。
公開されている台風ベンチマークの実験は、Tintの有効性を検証する。
論文 参考訳(メタデータ) (2023-11-28T03:11:33Z) - Leveraging Activation Maximization and Generative Adversarial Training
to Recognize and Explain Patterns in Natural Areas in Satellite Imagery [3.846084066763095]
本研究の目的は,保護地域と野生地域を形成する指定パターンの説明を前進させることである。
本稿では,アクティベーションと生成的敵対モデルを用いた新しいフレームワークを提案する。
提案手法は,保護区域の自然真正性を形成する識別パターンを,より精密な帰属地図を作成する。
論文 参考訳(メタデータ) (2023-11-15T12:55:19Z) - Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer
Learning [0.0]
人間活動は温室効果ガス排出量の23%を占める。
AI、コンピュータビジョン、地球観測データの最近の進歩は、土地利用地図における前例のない精度を実現している。
論文 参考訳(メタデータ) (2023-11-06T18:10:25Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳(メタデータ) (2023-11-02T02:00:27Z) - Large Scale Masked Autoencoding for Reducing Label Requirements on SAR Data [5.235143203977019]
本研究では,地球表面面積の8.7%をカバーするSAR振幅データに対して,自己教師付き事前学習方式,マスク付き自動符号化を適用した。
この事前学習方式を用いることで、下流タスクのラベル付け要求を1桁以上削減できることを示す。
本研究は,タスクモデルと地域固有のSARモデルの開発を促進することにより,気候変動の緩和を著しく促進する。
論文 参考訳(メタデータ) (2023-10-02T00:11:47Z) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳(メタデータ) (2022-04-14T15:41:39Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - EarthNet2021: A novel large-scale dataset and challenge for forecasting
localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。
メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。
EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文 参考訳(メタデータ) (2020-12-11T11:21:00Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳(メタデータ) (2020-10-16T02:15:34Z) - Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。
このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。
衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
論文 参考訳(メタデータ) (2020-04-11T19:49:09Z)
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。