論文の概要: Mapping waterways worldwide with deep learning
- arxiv url: http://arxiv.org/abs/2412.00050v1
- Date: Sun, 24 Nov 2024 04:59:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-08 08:47:21.728665
- Title: Mapping waterways worldwide with deep learning
- Title（参考訳）: 世界中の水路を深層学習でマッピングする
- Authors: Matthew Pierson, Zia Mehrabi,
- Abstract要約: 10m Sentinel-2衛星画像と30m GLO-30 Copernicusデジタル標高モデルに基づいて水路を描画できるコンピュータビジョンモデルを提案する。
すでにTDX-Hydroデータセットにある5億5000万kmに、合計で1億2400万kmの水路を追加しています。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Waterways shape earth system processes and human societies, and a better understanding of their distribution can assist in a range of applications from earth system modeling to human development and disaster response. Most efforts to date to map the world's waterways have required extensive modeling and contextual expert input, and are costly to repeat. Many gaps remain, particularly in geographies with lower economic development. Here we present a computer vision model that can draw waterways based on 10m Sentinel-2 satellite imagery and the 30m GLO-30 Copernicus digital elevation model, trained using high fidelity waterways data from the United States. We couple this model with a vectorization process to map waterways worldwide. For widespread utility and downstream modelling efforts, we scaffold this new data on the backbone of existing mapped basins and waterways from another dataset, TDX-Hydro. In total, we add 124 million kilometers of waterways to the 54 million kilometers already in the TDX-Hydro dataset, more than tripling the extent of waterways mapped globally.
- Abstract（参考訳）: 水路は、地球系のプロセスと人間の社会を形成し、その分布をよりよく理解することで、地球系のモデリングから人的開発や災害対応に至るまで、様々な応用に役立てることができる。
世界の水路を地図化するための努力の多くは、広範囲なモデリングと文脈の専門家による入力を必要としており、繰り返すのに費用がかかる。
多くのギャップが残っており、特に低い経済発展の地誌に残っている。
本稿では,10mのSentinel-2衛星画像と30mのGLO-30 Copernicusデジタル高度画像に基づいて水路を描画できるコンピュータビジョンモデルを提案する。
このモデルをベクトル化プロセスと組み合わせて世界中の水路を地図化します。
広範なユーティリティと下流モデリングの取り組みのために、既存のマップされた盆地と水路のバックボーンに、別のデータセットであるTDX-Hydroから、この新しいデータを足場にしました。
すでにTDX-Hydroデータセットにある5億5000万kmの水路に合計12400万kmもの水路を加えています。
関連論文リスト
- Deep learning waterways for rural infrastructure development [0.0]
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。
論文 参考訳（メタデータ） (2024-11-18T05:36:05Z) - A Dataset for Research on Water Sustainability [18.979261592551676]
本研究は, 冷却システムにおける直接水利用と, 発電に埋め込まれた間接水利用のためのデータセットを構築した。
当社のデータセットは、2019年から2023年までの米国の主要都市と州の時給水効率で構成されています。
本稿では,データセットの予備解析を行い,その利点を享受できる3つの潜在的なアプリケーションについて論じる。
論文 参考訳（メタデータ） (2024-05-24T02:59:52Z) - 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) - Making AI Less "Thirsty": Uncovering and Addressing the Secret Water
Footprint of AI Models [34.93600962447119]
マイクロソフトの最先端の米国データセンターでGPT-3を訓練することで、70万リットルの清浄な淡水を直接蒸発させることができる。
世界のAI需要は、2027年の4.2.6億立方メートルの水流出の原因となる可能性がある。
グローバルな水の課題に対応するために、AIモデルは、社会的責任を負い、例によってリードする必要がある。
論文 参考訳（メタデータ） (2023-04-06T17:55:27Z) - GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery [2.342488890032597]
本稿では,250個の衛星画像と手動による表層水アノテーションからなるGLH-waterデータセットを提案する。
それぞれの画像サイズは12,800ドル(約12,800円)で、空間解像度0.3mの12,800ピクセル。
GLH-waterのベンチマークを構築するために,代表表面水検出モデル,一般的なセマンティックセグメンテーションモデル,超高分解能セグメンテーションモデルを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-03-16T13:35:56Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and
Response with AI [55.41644538483948]
小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。
我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。
本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
論文 参考訳（メタデータ） (2022-01-25T14:51:19Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z) - Machine Learning for Glacier Monitoring in the Hindu Kush Himalaya [54.12023102155757]
氷河マッピングは、hkh領域における生態モニタリングの鍵となる。
気候変動は、氷河生態系の健康に依存している個人にリスクを与える。
本稿では,氷河に着目した環境モニタリングを支援する機械学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-09T12:48:06Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。