Fugu-MT 論文翻訳(概要): Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery

論文の概要: Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery

arxiv url: http://arxiv.org/abs/2409.11186v1
Date: Mon, 16 Sep 2024 14:26:41 GMT
ステータス: 処理完了
システム内更新日: 2024-09-18 16:35:30.180937
Title: Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery
Title（参考訳）: SARと光学衛星画像を用いたアイボリ海岸の森林モニタリング支援のための深層学習ツール
Authors: Gabriele Sartor, Matteo Salis, Stefano Pinardi, Ozgur Saracik, Rosa Meo,
Abstract要約: 衛星は森林の消失を認識し、関心領域の拡大を防ぐために使用できる。フォレスト・ノン・フォレスト・マップ (FNF) はセンチネル画像入力モデルの基礎的真理として用いられている。森林と非森林を分類するモデルは、森林破壊の起こりうる場所を予測するためにオープンデータセットを使用して、この地域の森林と非森林のピクセルを分類する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deforestation is gaining an increasingly importance due to its strong influence on the sorrounding environment, especially in developing countries where population has a disadvantaged economic condition and agriculture is the main source of income. In Ivory Coast, for instance, where the cocoa production is the most remunerative activity, it is not rare to assist to the replacement of portion of ancient forests with new cocoa plantations. In order to monitor this type of deleterious activities, satellites can be employed to recognize the disappearance of the forest to prevent it from expand its area of interest. In this study, Forest-Non-Forest map (FNF) has been used as ground truth for models based on Sentinel images input. State-of-the-art models U-Net, Attention U-Net, Segnet and FCN32 are compared over different years combining Sentinel-1, Sentinel-2 and cloud probability to create forest/non-forest segmentation. Although Ivory Coast lacks of forest coverage datasets and is partially covered by Sentinel images, it is demonstrated the feasibility to create models classifying forest and non-forests pixels over the area using open datasets to predict where deforestation could have occurred. Although a significant portion of the deforestation research is carried out on visible bands, SAR acquisitions are employed to overcome the limits of RGB images over areas often covered by clouds. Finally, the most promising model is employed to estimate the hectares of forest has been cut between 2019 and 2020.
Abstract（参考訳）: 森林伐採は、特に人口が不利な経済状態を持ち、農業が主要な収入源である発展途上国において、周囲環境への強い影響から、ますます重要になっている。例えば、イヴォリー海岸では、ココア生産が最も報酬的な活動であるため、古代の森林の一部を新しいココアプランテーションに置き換えるのを支援することはまれではない。この種の有害な活動を監視するために、衛星は森林の消失を認識して関心領域を広げるのを防ぐために使用できる。本研究では,フォレスト・ノンフォレスト・マップ(FNF)をセンチネル画像入力モデルの基礎的真理として用いている。最新技術モデルU-Net, Attention U-Net, Segnet, FCN32は、Sentinel-1, Sentinel-2と雲の確率を組み合わせて、森林と非森林のセグメンテーションを作成する。アイヴォリー海岸は森林被覆データセットが欠如しており、一部はセンチネル画像でカバーされているが、森林や非森林を分類するモデルが、森林破壊の起こり得る場所を予測するためにオープンデータセットを用いて作成可能であることが示されている。森林破壊研究のかなりの部分は可視光帯域で行われているが、SARによる買収は雲に覆われた領域におけるRGB画像の限界を克服するために用いられている。最後に、2019年から2020年にかけて森林の面積を推定するために最も有望なモデルが採用されている。

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)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
MultiEarth 2023 Deforestation Challenge -- Team FOREVER [0.2020917258669917]
直接アクセスすることなく広範囲を解析できるため,衛星画像の森林破壊を正確に推定することが重要である。本稿では、最新の深層ニューラルネットワークモデルを用いて、アマゾン熱帯雨林地域の森林破壊状況を予測するための多視点学習戦略を提案する。
論文参考訳（メタデータ） (2023-06-20T09:10:06Z)
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)
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)
MultiEarth 2022 Deforestation Challenge -- ForestGump [0.0]
従来のUNetと包括的データ処理を用いた森林破壊推定手法を提案する。 Sentinel-1、Sentinel-2、Landsat 8の様々なチャネルが慎重に選択され、ディープニューラルネットワークのトレーニングに使用される。提案手法では,新しいクエリの森林破壊状況を高精度に推定する。
論文参考訳（メタデータ） (2022-06-22T04:10:07Z)
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)
Tackling the Overestimation of Forest Carbon with Deep Learning and Aerial Imagery [13.97765383479824]
本論文は,航空画像,衛星画像,地中構造観測から森林炭素推定を初めて体系的に比較したものである。航空画像の収集は著しく高価であり,高分解能が森林炭素推定をどの程度改善するかは定かでない。以上の結果から,衛星画像による森林炭素推定は,熱帯再植林計画において10回以上も過大評価可能であることが示唆された。
論文参考訳（メタデータ） (2021-07-23T15:59:52Z)
Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery [59.32805936205217]
牛の農業は世界の温室効果ガス排出量の8.8%を占めている。 40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
論文参考訳（メタデータ） (2020-11-14T19:07:39Z)
ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery [10.924137779582814]
インドネシアにおける森林被害の要因を分類するために,フォレストネットと呼ばれる深層学習モデルを開発した。衛星画像を用いて、フォレストネットはどんな大きさの森林損失パッチでも森林破壊の直接の要因を特定する。
論文参考訳（メタデータ） (2020-11-11T00:28:40Z)

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。