論文の概要: SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking

• arxiv url: http://arxiv.org/abs/2409.17087v1
• Date: Wed, 25 Sep 2024 16:50:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 02:54:47.422507
• Title: SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking
• Title（参考訳）: SEN12-WATER: 流体アプリケーションのための新しいデータセットとそのベンチマーク
• Authors: Luigi Russo, Francesco Mauro, Alessandro Sebastianelli, Paolo Gamba, Silvia Liberata Ullo,
• Abstract要約: 気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
• 参考スコア（独自算出の注目度）: 40.996860106131244
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Climate change and increasing droughts pose significant challenges to water resource management around the world. These problems lead to severe water shortages that threaten ecosystems, agriculture, and human communities. To advance the fight against these challenges, we present a new dataset, SEN12-WATER, along with a benchmark using a novel end-to-end Deep Learning (DL) framework for proactive drought-related analysis. The dataset, identified as a spatiotemporal datacube, integrates SAR polarization, elevation, slope, and multispectral optical bands. Our DL framework enables the analysis and estimation of water losses over time in reservoirs of interest, revealing significant insights into water dynamics for drought analysis by examining temporal changes in physical quantities such as water volume. Our methodology takes advantage of the multitemporal and multimodal characteristics of the proposed dataset, enabling robust generalization and advancing understanding of drought, contributing to climate change resilience and sustainable water resource management. The proposed framework involves, among the several components, speckle noise removal from SAR data, a water body segmentation through a U-Net architecture, the time series analysis, and the predictive capability of a Time-Distributed-Convolutional Neural Network (TD-CNN). Results are validated through ground truth data acquired on-ground via dedicated sensors and (tailored) metrics, such as Precision, Recall, Intersection over Union, Mean Squared Error, Structural Similarity Index Measure and Peak Signal-to-Noise Ratio.
• Abstract（参考訳）: 気候変動と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 これらの問題は、生態系、農業、人的社会を脅かす深刻な水不足に繋がる。 これらの課題と戦うために、私たちは、新しいデータセットであるSEN12-WATERと、新しいエンドツーエンドディープラーニング(DL)フレームワークを使用して、積極的干ばつに関する分析を行うベンチマークを提示する。 このデータセットは時空間データキューブとして認識され、SAR偏光、標高、傾斜、マルチスペクトル光バンドを統合している。 本フレームワークは,水量などの物理量の経時変化を調べて,干ばつ解析のための水の動態に関する重要な知見を提示し,関心の貯水池における水損失の時間的分析と推定を可能にする。 提案手法は, 提案したデータセットの多時的・多モーダル的特性を利用して, 堅牢な一般化と干ばつ理解の促進を実現し, 気候変動のレジリエンスと持続可能な水資源管理に寄与する。 提案するフレームワークには,SARデータからのスペックルノイズ除去,U-Netアーキテクチャによる水域セグメンテーション,時系列解析,TD-CNN(Time-Distributed-Convolutional Neural Network)の予測機能などが含まれている。 結果は、地上で取得した地上の真実データと、精密度、リコール、ユニオン上のインターセクション、平均二乗誤差、構造的類似度指数測定、ピーク信号対ノイズ比などの(調整された)メトリクスによって検証される。

関連論文リスト

• AIWR: Aerial Image Water Resource Dataset for Segmentation Analysis [0.0]
  このデータセットには、タイ北東部の自然と人工の水域に焦点を当てた800の空中画像が含まれている。 リモートセンシングの専門家が検証した根拠となる真実のアノテーションが含まれている。 提案するデータセットの目的は,水体セグメンテーションのための高度なAI駆動手法を検討することである。
  論文  参考訳（メタデータ） (2024-11-04T04:45:45Z)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• A Graph-Based Modeling Framework for Tracing Hydrological Pollutant Transport in Surface Waters [0.0]
  本稿では,水系,河川,流域を横断する汚染物質輸送と運命を理解するためのグラフモデリングフレームワークを提案する。 グラフ表現は、接続性をキャプチャし、上流の汚染物質源を特定するための直感的なアプローチを提供する。 我々のツールは、ステークホルダーが効果的な汚染防止・軽減のプラクティスを設計するのを助けようとしている。
  論文  参考訳（メタデータ） (2023-02-10T00:30:38Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery And Digital Elevation Models [0.0]
  Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。 実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
  論文  参考訳（メタデータ） (2020-12-11T18:42:15Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。