論文の概要: Development and Application of a Sentinel-2 Satellite Imagery Dataset for Deep-Learning Driven Forest Wildfire Detection
- arxiv url: http://arxiv.org/abs/2409.16380v1
- Date: Tue, 24 Sep 2024 18:25:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 08:41:00.697966
- Title: Development and Application of a Sentinel-2 Satellite Imagery Dataset for Deep-Learning Driven Forest Wildfire Detection
- Title(参考訳): 深層学習型森林火災検出のためのセンチネル2衛星画像データセットの開発と応用
- Authors: Valeria Martin, K. Brent Venable, Derek Morgan,
- Abstract要約: 深層学習(DL)による山火事検出のための森林山火事画像ペアの前後にラベル付き10,000枚以上の高解像度ラベル付き衛星画像データセットを構築した。
その結果, 森林火災の検出において, EF効率の高いNet-B0モデルが最も高い精度を92%以上達成できることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forest loss due to natural events, such as wildfires, represents an increasing global challenge that demands advanced analytical methods for effective detection and mitigation. To this end, the integration of satellite imagery with deep learning (DL) methods has become essential. Nevertheless, this approach requires substantial amounts of labeled data to produce accurate results. In this study, we use bi-temporal Sentinel-2 satellite imagery sourced from Google Earth Engine (GEE) to build the California Wildfire GeoImaging Dataset (CWGID), a high-resolution labeled satellite imagery dataset with over 100,000 labeled before and after forest wildfire image pairs for wildfire detection through DL. Our methods include data acquisition from authoritative sources, data processing, and an initial dataset analysis using three pre-trained Convolutional Neural Network (CNN) architectures. Our results show that the EF EfficientNet-B0 model achieves the highest accuracy of over 92% in detecting forest wildfires. The CWGID and the methodology used to build it, prove to be a valuable resource for training and testing DL architectures for forest wildfire detection.
- Abstract(参考訳): 森林火災などの自然災害による森林の喪失は、効果的な検出と緩和のための高度な分析手法を必要とする世界的な課題の増大を表している。
この目的のために,衛星画像と深層学習(DL)手法の統合が不可欠である。
それにもかかわらず、この手法は正確な結果を得るためにかなりの量のラベル付きデータを必要とする。
本研究では,Google Earth Engine (GEE) から得られたバイタイムのSentinel-2衛星画像を用いて,高解像度のラベル付き衛星画像データセットであるCalifornia Wildfire GeoImaging Dataset (CWGID) を構築した。
提案手法は,3つの事前学習型畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて,権威源からのデータ取得,データ処理,および初期データセット解析を含む。
その結果, 森林火災の検出において, EF効率の高いNet-B0モデルが最も高い精度を92%以上達成できることが示唆された。
CWGIDとそれを構築するための方法論は、森林火災検知のためのDLアーキテクチャの訓練と試験のための貴重な資源であることが証明されている。
関連論文リスト
- TS-SatFire: A Multi-Task Satellite Image Time-Series Dataset for Wildfire Detection and Prediction [2.2673203312389423]
2017年1月から2021年10月まで、米国内の山火事をカバーし、3552面の反射率画像と補助データ、合計71GBである。
このデータセットは3つのタスクをサポートする。アクティブファイア検出、毎日の燃えているエリアマッピング、および山火事の進行予測だ。
このデータセットとそのベンチマークは、ディープラーニングを使って山火事の研究を進める基盤を提供する。
論文 参考訳(メタデータ) (2024-12-16T08:40:12Z) - Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
森林火災は気候危機により地球生態系に深刻な危険をもたらす。
複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。
この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
論文 参考訳(メタデータ) (2024-11-14T23:19:55Z) - FUELVISION: A Multimodal Data Fusion and Multimodel Ensemble Algorithm for Wildfire Fuels Mapping [0.6592966907430154]
森林調査計画(FIA)データを用いて「スコットとバーガン40」のようなランドスケープスケールの燃料を推定するために,アンサンブルモデルを訓練した。
Pseudo-labeled and fully synthetic datasets were developed using Generative AI approach to address the limit of ground truth data available。
ディープラーニングニューラルネットワーク、決定木、勾配向上など、一連の手法を使用することで、燃料マッピングの精度は80%近く向上した。
論文 参考訳(メタデータ) (2024-03-19T14:20:46Z) - 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) - SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection [2.07180164747172]
本研究は,無人航空機(UAV)/ドローンによる地球規模の山火事検出における処理時間と検出能力の向上という課題に対処するものである。
我々は,リアルタイムの山火事検出における処理速度と精度を大幅に向上させるため,特徴マップの削減に重点を置いている。
論文 参考訳(メタデータ) (2024-02-29T15:23:12Z) - FLOGA: A machine learning ready dataset, a benchmark and a novel deep
learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。
本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。
このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。
我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文 参考訳(メタデータ) (2023-11-06T18:42:05Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Rapid Deforestation and Burned Area Detection using Deep Multimodal
Learning on Satellite Imagery [3.8073142980733]
アマゾンの森林における森林破壊の推定と火災検出は、広大な面積のために大きな課題となっている。
マルチモーダル衛星画像とリモートセンシングは、アマゾン地域の森林破壊を推定し、山火事を検出するための有望なソリューションを提供する。
本研究では、畳み込みニューラルネットワーク(CNN)と包括的データ処理技術を用いて、これらの問題を解決するための新しいキュレートデータセットとディープラーニングベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-07-10T21:49:30Z) - 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) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-03T17:09:56Z) - Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a
Deep-Learning Study [1.3764085113103217]
本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。
本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。
提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
論文 参考訳(メタデータ) (2021-01-09T19:05:03Z)
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。