論文の概要: Artificial Intelligence Mangrove Monitoring System Based on Deep Learning and Sentinel-2 Satellite Data in the UAE (2017-2024)

• arxiv url: http://arxiv.org/abs/2411.11918v1
• Date: Mon, 18 Nov 2024 03:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:35:35.896790
• Title: Artificial Intelligence Mangrove Monitoring System Based on Deep Learning and Sentinel-2 Satellite Data in the UAE (2017-2024)
• Title（参考訳）: UAEにおける深層学習とセンチネル-2衛星データに基づく人工知能マングローブモニタリングシステム(2017-2024)
• Authors: Linlin Tan, Haishan Wu,
• Abstract要約: 2024年のUAEのマングローブ面積は約9,142.21ヘクタールであり、2017年と比較して2,061.33ヘクタール増加した。 アブダビはマングローブ面積が最大であり、UAEのマングローブ栽培において主要な役割を担っており、2017年から2024年の間に1,85ヘクタール増加した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Mangroves play a crucial role in maintaining coastal ecosystem health and protecting biodiversity. Therefore, continuous mapping of mangroves is essential for understanding their dynamics. Earth observation imagery typically provides a cost-effective way to monitor mangrove dynamics. However, there is a lack of regional studies on mangrove areas in the UAE. This study utilizes the UNet++ deep learning model combined with Sentinel-2 multispectral data and manually annotated labels to monitor the spatiotemporal dynamics of densely distributed mangroves (coverage greater than 70%) in the UAE from 2017 to 2024, achieving an mIoU of 87.8% on the validation set. Results show that the total mangrove area in the UAE in 2024 was approximately 9,142.21 hectares, an increase of 2,061.33 hectares compared to 2017, with carbon sequestration increasing by approximately 194,383.42 tons. Abu Dhabi has the largest mangrove area and plays a dominant role in the UAE's mangrove growth, increasing by 1,855.6 hectares between 2017-2024, while other emirates have also contributed to mangrove expansion through stable and sustainable growth in mangrove areas. This comprehensive growth pattern reflects the collective efforts of all emirates in mangrove restoration.
• Abstract（参考訳）: マングローブは沿岸生態系の健康維持と生物多様性の保護に重要な役割を果たしている。 したがって、マングローブの連続写像は、その力学を理解するのに不可欠である。 地球観測画像は一般的にマングローブの動態をモニターする費用効率の良い方法を提供する。 しかし、アラブ首長国連邦のマングローブ地域には地域研究の欠如がある。 この研究は、UNet++のディープラーニングモデルとSentinel-2マルチスペクトルデータと手動アノテートラベルを組み合わせて、2017年から2024年までのUAEにおける高密度分布マングローブ(70%以上)の時空間ダイナミクスを監視し、検証セットで87.8%のmIoUを達成した。 その結果、2024年のアラブ首長国連邦のマングローブ面積は約9,142.21ヘクタールであり、2017年と比較して2,061.33ヘクタール増加し、炭素採掘量は194,383.42トン増加した。 アブダビはマングローブ面積が最大であり、UAEのマングローブ栽培において主要な役割を担い、2017年から2024年の間に1,855.6ヘクタール増加した。 この包括的成長パターンは、マングローブ修復におけるすべてのエミレートの集団的努力を反映している。

関連論文リスト

• The unrealized potential of agroforestry for an emissions-intensive agricultural commodity [48.652015514785546]
  機械学習を用いて、西アフリカ地域全体での日陰木カバーと炭素ストックの見積もりを生成します。 既存の陰木カバーは低く、空間的に気候の脅威と一致していないことが判明した。 しかし、このセクターが毎年高い炭素フットプリントのかなりの割合とバランスをとるという、巨大な非現実的な可能性も見出されています。
  論文  参考訳（メタデータ） (2024-10-28T10:02:32Z)
• A Deep Learning-Based Approach for Mangrove Monitoring [0.0]
  本研究は,マングローブセグメンテーションの課題における最近のディープラーニングモデルの包括的評価を提供する。 我々はまず,Global Mangrove WatchのmangroveアノテーションとSentinel-2の衛星画像を組み合わせた,オープンソースの新しいデータセットMagSet-2を紹介し,公開する。 次に、生成されたデータセットを使用して、3つのアーキテクチャグループ、すなわち畳み込み、トランスフォーマー、mambaモデルをベンチマークします。
  論文  参考訳（メタデータ） (2024-10-07T19:22:08Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• First Mapping the Canopy Height of Primeval Forests in the Tallest Tree Area of Asia [6.826460268652235]
  我々は,世界規模の巨大木の分布領域を,世界初となる天蓋の高さマップを開発した。 このマッピングは、より個人的でコミュニティレベルの巨大な木を見つけるために不可欠です。
  論文  参考訳（メタデータ） (2024-04-23T01:45:55Z)
• Machine Learning Reveals Large-scale Impact of Posidonia Oceanica on Mediterranean Sea Water [0.0818489539741914]
  ポシドニア海洋は地中海の保護区であり、生物多様性を育み、炭素を貯蔵し、酸素を放出し、多くの海洋生物に生息地を提供する。 この研究は、植物が環境に世界的影響を及ぼし、この植物が海洋生態系において重要な役割を担っていることを示す証拠を提供する。
  論文  参考訳（メタデータ） (2024-02-22T11:35:52Z)
• 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)
• Mapping smallholder cashew plantations to inform sustainable tree crop expansion in Benin [4.008214303620168]
  カシューは世界中で40カ国以上で300万人以上の小規模所有者によって栽培されている。 ベニンには20万人近い小規模株主のカシュー栽培者がおり、同国の輸出収入の15%を貢献している。 2.4mのプラネット・ベースマップと0.5mの空中画像を利用して、ベニンで初めてカシューの全国地図を作成しました。
  論文  参考訳（メタデータ） (2023-01-01T07:18:47Z)
• 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)
• 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)
• High carbon stock mapping at large scale with optical satellite imagery and spaceborne LIDAR [27.25600860698314]
  森林破壊は高い炭素排出量を引き起こし、生物多様性を脅かすが、しばしば農業の拡大と結びついている。 本研究では,保全的かつ持続可能な土地利用計画決定を支援するための自動アプローチを提案する。 粗いGEDI LIDAR参照データから学習することにより,10mのSentinel-2ピクセルごとのキャノピー高さを推定する深層学習手法を開発した。 これらの壁面と壁面の上部の地図は,HCS林と荒廃した地域を86%の精度で分類し,インドネシア,マレーシア,フィリピンで最初の高炭素ストックマップを作成した。
  論文  参考訳（メタデータ） (2021-07-15T16:21:21Z)
• 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)

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。