論文の概要: Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery

• arxiv url: http://arxiv.org/abs/2411.02935v1
• Date: Tue, 05 Nov 2024 09:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:02:15.342525
• Title: Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery
• Title（参考訳）: アフリカ開拓地の地図:深層学習と衛星画像による高解像度都市・農村マップ
• Authors: Mohammad Kakooei, James Bailie, Albin Söderberg, Albin Becevic, Adel Daoud,
• Abstract要約: 本研究では, 深層学習と衛星画像を用いた高分解能都市域マップの構築について述べる。 我々は、Landsat-8とESRI LULCデータセットの衛星画像に基づいて、DeepLabV3アーキテクチャに基づくディープラーニングモデルを開発した。 我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。
• 参考スコア（独自算出の注目度）: 1.9806397201363817
• License:
• Abstract: Accurate Land Use and Land Cover (LULC) maps are essential for understanding the drivers of sustainable development, in terms of its complex interrelationships between human activities and natural resources. However, existing LULC maps often lack precise urban and rural classifications, particularly in diverse regions like Africa. This study presents a novel construction of a high-resolution rural-urban map using deep learning techniques and satellite imagery. We developed a deep learning model based on the DeepLabV3 architecture, which was trained on satellite imagery from Landsat-8 and the ESRI LULC dataset, augmented with human settlement data from the GHS-SMOD. The model utilizes semantic segmentation to classify land into detailed categories, including urban and rural areas, at a 10-meter resolution. Our findings demonstrate that incorporating LULC along with urban and rural classifications significantly enhances the model's ability to accurately distinguish between urban, rural, and non-human settlement areas. Therefore, our maps can support more informed decision-making for policymakers, researchers, and stakeholders. We release a continent wide urban-rural map, covering the period 2016 and 2022.
• Abstract（参考訳）: 正確な土地利用と土地被覆(LULC)マップは、人間の活動と天然資源との複雑な相互関係の観点から、持続可能な発展の要因を理解するために不可欠である。 しかし、既存のLULCマップは、特にアフリカのような多様な地域では、正確な都市分類や農村分類を欠いていることが多い。 本研究では, 深層学習技術と衛星画像を用いた高分解能都市域マップの構築について述べる。 我々は、Landsat-8の衛星画像とESRI LULCデータセットからトレーニングしたDeepLabV3アーキテクチャに基づく深層学習モデルを構築し、GHS-SMODの人間の居住データを付加した。 このモデルはセマンティックセグメンテーションを利用して、都市部や農村部を含む詳細なカテゴリを10mの解像度で分類する。 以上の結果から,LULCと都市・農村の分類を併用することで,都市・農村・非人的居住地を正確に区別する能力が向上することが示唆された。 したがって、我々の地図は政策立案者、研究者、利害関係者のより深い意思決定を支援することができる。 我々は,2016年から2022年にかけての大陸広域都市農村地図を公表した。

関連論文リスト

• BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD [1.0049728389234778]
  BD-SATは高解像度のデータセットで、ダッカ大都市圏と周辺農村部と都市部のLULCアノテーションを含んでいる。 厳密で標準化された手順を用いて、地上空間距離が2.22メートル/ピクセルであるBing衛星画像を用いて、地上の真理を作成する。 その結果, 注釈付きBD-SATは, 5つの主要なLULCクラスに対して, 適切な精度で大規模深層学習モデルを訓練するのに十分であることがわかった。
  論文  参考訳（メタデータ） (2024-06-09T20:54:58Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Generating an interactive online map of future sea level rise along the North Shore of Vancouver: methods and insights on enabling geovisualisation for coastal communities [0.0]
  研究地域はカナダのブリティッシュコロンビア州バンクーバーのノースショアであった。 我々は,高解像度で垂直精度の1mのLiDARのオープンアクセスを探索した。 様々なSLRシナリオにおいて, 浸水帯を規定する水文接続型浴槽法モデルを用いて検討した。 ディープラーニングと3D可視化は、過去、現在、そして将来の土地利用/土地被覆と3Dをモデル化するために使用された。
  論文  参考訳（メタデータ） (2023-04-15T04:12:55Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Segmenting across places: The need for fair transfer learning with satellite imagery [24.087993065704527]
  最先端のモデルは、都市部に比べて農村部での全体的な精度が良い。 本研究では, 都市部に比べて, 原産地と対象地域とでは, 生衛星画像が相違点が多いことを示す。
  論文  参考訳（メタデータ） (2022-04-09T02:14:56Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Urban land-use analysis using proximate sensing imagery: a survey [3.79474411753363]
  近接センシング画像を活用した研究は、都市土地利用分析におけるローカルデータの必要性に対処する大きな可能性を実証している。 本稿では,近位センシングから土地利用分析までの最新手法と公開データセットを概観し,要約する。
  論文  参考訳（メタデータ） (2021-01-13T01:30:21Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)
• City limits in the age of smartphones and urban scaling [0.0]
  都市計画は、都市システム全体にわたる都市境界を定義するための適切な基準をまだ欠いている。 ICTは、都市システムのより正確な記述を記述する可能性を提供する。 都市境界を定義するため,大量の携帯電話記録に計算手法を適用した。
  論文  参考訳（メタデータ） (2020-05-06T17:31:21Z)

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。