論文の概要: Scalable Higher Resolution Polar Sea Ice Classification and Freeboard Calculation from ICESat-2 ATL03 Data

• arxiv url: http://arxiv.org/abs/2502.02700v1
• Date: Tue, 04 Feb 2025 20:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:08.534777
• Title: Scalable Higher Resolution Polar Sea Ice Classification and Freeboard Calculation from ICESat-2 ATL03 Data
• Title（参考訳）: ICESat-2 ATL03データによるスケーラブル高分解能極海氷の分類と自由ボード計算
• Authors: Jurdana Masuma Iqrah, Younghyun Koo, Wei Wang, Hongjie Xie, Sushil K. Prasad,
• Abstract要約: ICESat-2は高解像度の地表高度を測定する地球観測衛星である。 10m-200mセグメントの海氷上昇とフリーボード生成物は、生のATL03データから150個の信号光子を集約した。 深層学習法を用いて,これら2mセグメントを海氷,薄氷,開水に分類した。 ATL07 (地域海水準) とATL10 (フリーボード) のデータ製品と比較して, 高い解像度と精度 (96.56%) を示した。
• 参考スコア（独自算出の注目度）: 3.0885336350706254
• License:
• Abstract: ICESat-2 (IS2) by NASA is an Earth-observing satellite that measures high-resolution surface elevation. The IS2's ATL07 and ATL10 sea ice elevation and freeboard products of 10m-200m segments which aggregated 150 signal photons from the raw ATL03 (geolocated photon) data. These aggregated products can potentially overestimate local sea surface height, thus underestimating the calculations of freeboard (sea ice height above sea surface). To achieve a higher resolution of sea surface height and freeboard information, in this work we utilize a 2m window to resample the ATL03 data. Then, we classify these 2m segments into thick sea ice, thin ice, and open water using deep learning methods (Long short-term memory and Multi-layer perceptron models). To obtain labeled training data for our deep learning models, we use segmented Sentinel-2 (S2) multi-spectral imagery overlapping with IS2 tracks in space and time to auto-label IS2 data, followed by some manual corrections in the regions of transition between different ice/water types or cloudy regions. We employ a parallel workflow for this auto-labeling using PySpark to scale, and we achieve 9-fold data loading and 16.25-fold map-reduce speedup. To train our models, we employ a Horovod-based distributed deep-learning workflow on a DGX A100 8 GPU cluster, achieving a 7.25-fold speedup. Next, we calculate the local sea surface heights based on the open water segments. Finally, we scale the freeboard calculation using the derived local sea level and achieve 8.54-fold data loading and 15.7-fold map-reduce speedup. Compared with the ATL07 (local sea level) and ATL10 (freeboard) data products, our results show higher resolutions and accuracy (96.56%).
• Abstract（参考訳）: ICESat-2 (IS2) は、NASAの地球観測衛星。 IS2 の ATL07 と ATL10 の海氷上昇と 10m-200m セグメントのフリーボード製品は、生の ATL03 (Geolocated photon) データから150個のシグナル光子を収集した。 これらの集積された製品は、おそらく局所的な海面の高さを過大評価し、フリーボード(海面上の氷の高さ)の計算を過小評価する可能性がある。 海面高度とフリーボード情報の高解像度化を実現するため,ATL03データを再サンプリングするために2mの窓を用いる。 次に,これら2mセグメントを深層学習法(Long short-term memoryとMulti-layer perceptron model)を用いて,海氷,薄氷,開水に分類した。 深層学習モデルのラベル付きトレーニングデータを得るために,空間的および時間的にIS2トラックと重なり合うセグメント付きSentinel-2(S2)マルチスペクトル画像を用いてIS2データを自動ラベルする。 我々は、PySparkを使った自動ラベリングに並列ワークフローを使用し、9倍のデータロードと16.25倍のマップ-リデューススピードアップを実現しています。 モデルのトレーニングには、DGX A100 8 GPUクラスタ上に、Horovodベースの分散ディープラーニングワークフローを使用し、7.25倍のスピードアップを実現しています。 次に,開水セグメントに基づいて局所的な海面高さを算出する。 最後に, 得られた海面を用いた自由ボード計算をスケールし, 8.54 倍のデータロードと 15.7 倍のマップ・リデュース・スピードアップを実現した。 ATL07 (地域海水準) とATL10 (フリーボード) のデータ製品と比較して, 高い解像度と精度 (96.56%) を示した。

関連論文リスト

• Improving Satellite Imagery Masking using Multi-task and Transfer Learning [13.987883100675438]
  マスキングの速度/精度の異なるトレードオフを提供するモデル群を提示する。 従来の水画素識別法と比較して,F1スコアは9%向上した。
  論文  参考訳（メタデータ） (2024-12-11T17:00:51Z)
• Time Series Classification of Supraglacial Lakes Evolution over Greenland Ice Sheet [2.4266997579486085]
  グリーンランド氷床(GrIS)は、主に融水流出の増加により、地球規模の海面上昇に重要な役割を果たしている。 本研究では,Reconstructed Phase Spaces (RPSs) の GMM を用いて,その季節的変化に基づいて上部氷河湖を同定する,計算効率のよい時系列分類手法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T02:42:15Z)
• Diving into Underwater: Segment Anything Model Guided Underwater Salient Instance Segmentation and A Large-scale Dataset [60.14089302022989]
  水中視覚タスクは複雑な水中状況のため、しばしばセグメンテーションの精度が低い。 第1次大規模水中塩分分節データセット(USIS10K)を構築した。 本研究では,水中ドメインに特化してセグメンツ・ア・シング・モデル(USIS-SAM)に基づく水中塩分・インスタンス・アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-10T06:17:33Z)
• A Parallel Workflow for Polar Sea-Ice Classification using Auto-labeling of Sentinel-2 Imagery [3.0635300721402228]
  本研究は, 極海氷をセンチネル2画像で分類する, 堅牢で効果的でスケーラブルなシステムを開発することを目的とする。 1つの大きな障害は、基礎となる真実として振る舞うためのラベル付きS2トレーニングデータ(イメージ)がないことである。 そこで本研究では,S2画像のセグメンテーションと自動ラベル付けを行う,スケーラブルで高精度な手法を提案する。
  論文  参考訳（メタデータ） (2024-03-19T20:10:50Z)
• Enhancing sea ice segmentation in Sentinel-1 images with atrous convolutions [1.0905169282633254]
  MLトレーニングと評価のために生成された高解像度ベンチマークデータセットであるExtreme Earthバージョン2を使用します。 我々のパイプラインは、SAR画像セグメンテーションのためのResNetsとAtrous Space Pyramid Poolingを組み合わせたものである。 提案手法は,全SARシーンを1回の実行で効率的に分割することができ,ベースラインのU-Netよりも高速で,空間解像度と寸法を保ち,パッチ分類に依存するアプローチに比べてノイズに対して頑健である。
  論文  参考訳（メタデータ） (2023-10-26T03:43:28Z)
• Kick Back & Relax: Learning to Reconstruct the World by Watching SlowTV [68.31957280416347]
  自己教師付き単分子深度推定(SS-MDE)は、膨大な量のデータにスケールする可能性がある。 我々は,既存の自動車用データセットよりも桁違いに多くのデータを含む,YouTubeから収集した大規模SlowTVデータセットを提案する。 SS-MDEモデルをトレーニングし、屋内/屋外の大量のデータセットにゼロショットの一般化を提供する。
  論文  参考訳（メタデータ） (2023-07-20T09:13:32Z)
• Transforming Observations of Ocean Temperature with a Deep Convolutional Residual Regressive Neural Network [0.0]
  海面温度(SST)は、地上の真理、リモートセンシング、ハイブリッドモデル手法を通じて測定できる、必須の気候変動である。 ここでは,20世紀後半から21世紀初頭にかけてのいくつかの技術進歩を応用して,SST監視の進展を祝福する。 本研究では, AMSR-E と MODIS を高分解能に融合させるため, 既存の水循環観測フレームワークである Flux to Flow (F2F) を開発した。 我々のニューラルネットワークアーキテクチャは、深い畳み込み残留回帰ニューラルネットワークに制約されている。
  論文  参考訳（メタデータ） (2023-06-16T17:35:11Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。