論文の概要: Machine Learning and Multi-source Remote Sensing in Forest Carbon Stock Estimation: A Review

• arxiv url: http://arxiv.org/abs/2411.17624v1
• Date: Tue, 26 Nov 2024 17:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:36:50.005683
• Title: Machine Learning and Multi-source Remote Sensing in Forest Carbon Stock Estimation: A Review
• Title（参考訳）: 森林炭素在庫推定における機械学習とマルチソースリモートセンシング
• Authors: Autumn Nguyen, Sulagna Saha,
• Abstract要約: 本研究は,80以上の関連研究から,厳格な包摂基準を満たす25の論文を体系的に分析した。 ランダムフォレストは最も頻繁に出現し(88%)、エクストリームグラディエント・ブースティングは他の方法と比較された研究の75%で優れた性能を示した。 センチネル-1は最も利用されたリモートセンシング源として出現し、マルチセンサーのアプローチは特に有効であることが証明された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantifying forest carbon is crucial for informing decisions and policies that will protect the planet. Machine learning (ML) and remote sensing (RS) techniques have been used to do this task more effectively, yet there lacks a systematic review on the most recent ML methods and RS combinations, especially with the consideration of forest characteristics. This study systematically analyzed 25 papers meeting strict inclusion criteria from over 80 related studies, identifying 28 ML methods and key combinations of RS data. Random Forest had the most frequent appearance (88\% of studies), while Extreme Gradient Boosting showed superior performance in 75\% of the studies in which it was compared with other methods. Sentinel-1 emerged as the most utilized remote sensing source, with multi-sensor approaches (e.g., Sentinel-1, Sentinel-2, and LiDAR) proving especially effective. Our findings provide grounds for recommending best practices in integrating machine learning and remote sensing for accurate and scalable forest carbon stock estimation.
• Abstract（参考訳）: 森林炭素の定量化は、地球を保護するための決定と政策を伝えるために不可欠である。 機械学習(ML)とリモートセンシング(RS)技術は、このタスクをより効果的に行うために使われてきたが、最新のML手法とRSの組み合わせに関する体系的なレビューは、特に森林特性を考慮していない。 本研究は,80以上の研究から厳密な包摂基準を満たす25の論文を体系的に分析し,28のML手法とRSデータの鍵となる組み合わせを同定した。 ランダムフォレストが最も頻度が高い(88 %)のに対し、エクストリームグラディエント・ブースティングは他の手法と比較して75 %では優れた性能を示した。 センチネル-1は、マルチセンサーアプローチ(例:Sentinel-1、Sentinel-2、LiDAR)で特に有効であることが証明された。 本研究は,正確でスケーラブルな森林炭素ストック推定のために,機械学習とリモートセンシングを統合するためのベストプラクティスを推奨する根拠を提供する。

関連論文リスト

• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• Advancing Process Verification for Large Language Models via Tree-Based Preference Learning [23.63889344974957]
  Tree-based Preference Learning Verifier (Tree-PLV) は、最優先探索アルゴリズムを用いて推論木を構築し、優先訓練のためにステップレベルのペアデータを収集する新しいアプローチである。 我々は,木-PLVを算術的および常識的推論タスクの範囲で実証的に評価し,既存のベンチマークを著しく上回る結果を得た。
  論文  参考訳（メタデータ） (2024-06-29T10:09:49Z)
• MLAE: Masked LoRA Experts for Visual Parameter-Efficient Fine-Tuning [45.93128932828256]
  Masked LoRA Experts (MLAE) は、視覚的PEFTにマスキングの概念を適用する革新的なアプローチである。 本手法は,低ランク行列を独立したランク1サブマトリクスに変換するセル分解戦略を組み込んだものである。 MLAEは,VTAB-1kベンチマークでは平均78.8%,FGVCベンチマークでは90.9%の精度で,新しい最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2024-05-29T08:57:23Z)
• Evaluating tree-based imputation methods as an alternative to MICE PMM for drawing inference in empirical studies [0.5892638927736115]
  欠落したデータを扱うことは、しばしば計算手順で対処される統計解析において重要な問題である。 予測平均マッチング(PMM)を用いた連鎖方程式による多重計算の一般的な方法は、社会科学文献において標準とされている。 特に、木に基づく計算手法は、非常に競争力のあるアプローチとして現れてきた。
  論文  参考訳（メタデータ） (2024-01-17T21:28:00Z)
• Estimating optical vegetation indices and biophysical variables for temperate forests with Sentinel-1 SAR data using machine learning techniques: A case study for Czechia [32.19783248549554]
  森林生態系をモニタリングするための現在の光学的植生指標(VIs)は,様々な用途でよく確立され,広く利用されている。 対照的に、合成開口レーダ(SAR)のデータは、雲や昼夜の画像取得による信号の侵入により、完全な時系列(TS)を備えた洞察に富んだ、体系的な森林モニタリングを提供することができる。 本研究では、SARデータを用いて、機械学習(ML)による森林の光VIs推定の代替として光学衛星データの限界に対処することを目的とする。 一般に、SARベースのVIを高精度に推定し、年間240回測定し、空間分解能を20mまで向上することができる。
  論文  参考訳（メタデータ） (2023-11-13T18:23:46Z)
• RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
  RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。 実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
  論文  参考訳（メタデータ） (2023-08-10T03:14:19Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
  本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。 提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-03-07T18:28:39Z)
• Patients' Severity States Classification based on Electronic Health Record (EHR) Data using Multiple Machine Learning and Deep Learning Approaches [0.8312466807725921]
  本研究は、患者の電子的健康記録に基づいて重症度を分類する試験である。 提案手法では,オープンソースのプラットフォームから収集したEHRデータセットを用いて重度を分類する。
  論文  参考訳（メタデータ） (2022-09-29T16:14:02Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)

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。