論文の概要: Deep learning waterways for rural infrastructure development
- arxiv url: http://arxiv.org/abs/2411.13590v1
- Date: Mon, 18 Nov 2024 05:36:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:20:45.422065
- Title: Deep learning waterways for rural infrastructure development
- Title（参考訳）: 農村インフラ開発のための深層学習水路
- Authors: Matthew Pierson, Zia Mehrabi,
- Abstract要約: 米国における水路の位置を学習するためのコンピュータビジョンモデル(WaterNet)を構築した。
その後、アフリカ大陸の新たな環境に展開します。
私たちのアウトプットは、ここでマップされていない水路構造の詳細を提供します。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Surprisingly a number of Earth's waterways remain unmapped, with a significant number in low and middle income countries. Here we build a computer vision model (WaterNet) to learn the location of waterways in the United States, based on high resolution satellite imagery and digital elevation models, and then deploy this in novel environments in the African continent. Our outputs provide detail of waterways structures hereto unmapped. When assessed against community needs requests for rural bridge building related to access to schools, health care facilities and agricultural markets, we find these newly generated waterways capture on average 93% (country range: 88-96%) of these requests whereas Open Street Map, and the state of the art data from TDX-Hydro, capture only 36% (5-72%) and 62% (37%-85%), respectively. Because these new machine learning enabled maps are built on public and operational data acquisition this approach offers promise for capturing humanitarian needs and planning for social development in places where cartographic efforts have so far failed to deliver. The improved performance in identifying community needs missed by existing data suggests significant value for rural infrastructure development and better targeting of development interventions.
- Abstract（参考訳）: 驚くべきことに、地球の多くの水路は未地図のままであり、低所得国や中所得国ではかなりの数である。
そこで我々は,高解像度衛星画像とデジタル高度モデルに基づいて,米国の水路の位置を学習するコンピュータビジョンモデル(WaterNet)を構築し,これをアフリカ大陸の新たな環境に展開する。
私たちのアウトプットは、ここでマップされていない水路構造の詳細を提供します。
学校、医療施設、農業市場へのアクセスに関する地域橋建設の要求に対して評価すると、これらの要求の93%(地域範囲:88～96%)で、一方、オープンストリートマップとTDX-Hydroの最先端データはそれぞれ36%(5～72%)と62%(37%～85%)であった。
この新しい機械学習対応マップは、公共および運用データ取得に基づいて構築されているため、このアプローチは人道的なニーズを捉え、これまで地図作成の努力が果たせなかった場所での社会開発を計画する、という約束を提供する。
既存のデータで見落とされたコミュニティのニーズを特定する上でのパフォーマンス向上は、農村インフラ開発にとって重要な価値と、開発介入のターゲティングの改善を示唆している。
関連論文リスト
- Mapping Africa Settlements: High Resolution Urban and Rural Map by Deep Learning and Satellite Imagery [1.9806397201363817]
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。
論文 参考訳（メタデータ） (2024-11-05T09:24:59Z) - From Pixels to Progress: Generating Road Network from Satellite Imagery for Socioeconomic Insights in Impoverished Areas [22.782323200872366]
本稿では,エンコーダ・デコーダアーキテクチャと衛星画像における形態的操作を組み合わせた系統的道路抽出フレームワークを提案する。
F1スコアの42.7%向上を実現している。
また,中国382県の約794,178km2と17.048万人を対象に,包括的道路ネットワークデータセットを提案する。
論文 参考訳（メタデータ） (2024-06-17T07:40:13Z) - Improved flood mapping for efficient policy design by fusion of
Sentinel-1, Sentinel-2, and Landsat-9 imagery to identify population and
infrastructure exposed to floods [15.893084685925073]
タンデムにおける光学およびSAR画像の応用は、洪水マッピングの可用性と信頼性を高める手段を提供する。
本稿では,これらの2種類のイメージを共通データ空間にマージする手法を提案する。
論文 参考訳（メタデータ） (2023-05-31T20:46:06Z) - 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) - 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) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - 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) - Mapping Access to Water and Sanitation in Colombia using Publicly
Accessible Satellite Imagery, Crowd-sourced Geospatial Information and
RandomForests [0.0]
本稿では,スケーラブルで低コストなWASH推定ワークフローを提案する。
我々は、コロンビア全土の粒度250m×250mのWASH推定値の地図を生成する。
このモデルでは、給水、下水、トイレへのアクセスを予測できるバリエーションの最大65%を説明できた。
論文 参考訳（メタデータ） (2021-11-07T17:36:50Z) - Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文 参考訳（メタデータ） (2020-09-17T10:05:30Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z) - Generating Interpretable Poverty Maps using Object Detection in
Satellite Images [80.35540308137043]
衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。
対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
論文 参考訳（メタデータ） (2020-02-05T02:50:01Z)
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。