論文の概要: Mapping bathymetry of inland water bodies on the North Slope of Alaska with Landsat using Random Forest

• arxiv url: http://arxiv.org/abs/2502.10214v1
• Date: Fri, 14 Feb 2025 15:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:47:08.429096
• Title: Mapping bathymetry of inland water bodies on the North Slope of Alaska with Landsat using Random Forest
• Title（参考訳）: ランダムフォレストを用いたアラスカ北斜面における内陸水域のランドサットマッピング
• Authors: Mark L. Carroll, Margaret R. Wooten, Claire E. Simpson, Caleb S. Spradlin, Melanie J. Frost, Mariana Blanco-Rojas, Zachary W. Williams, Jordan A. Caraballo-Vega, Christopher S. R. Neigh,
• Abstract要約: アラスカの北斜面は小さな水域が支配しており、地域住民や野生生物にとって重要な生態系を提供している。 このような情報収集の難しさから,水面深の詳細な情報は乏しい。 我々は,アラスカ北斜面の多スペクトルランドサットデータから深度を予測するために,機械学習モデル(ランサムフォレスト回帰モデル)を訓練した。
• 参考スコア（独自算出の注目度）: 0.36278044026379325
• License:
• Abstract: The North Slope of Alaska is dominated by small waterbodies that provide critical ecosystem services for local population and wildlife. Detailed information on the depth of the waterbodies is scarce due to the challenges with collecting such information. In this work we have trained a machine learning (Random Forest Regressor) model to predict depth from multispectral Landsat data in waterbodies across the North Slope of Alaska. The greatest challenge is the scarcity of in situ data, which is expensive and difficult to obtain, to train the model. We overcame this challenge by using modeled depth predictions from a prior study as synthetic training data to provide a more diverse training data pool for the Random Forest. The final Random Forest model was more robust than models trained directly on the in situ data and when applied to 208 Landsat 8 scenes from 2016 to 2018 yielded a map with an overall $r^{2}$ value of 0.76 on validation. The final map has been made available through the Oak Ridge National Laboratory Distribute Active Archive Center (ORNL-DAAC). This map represents a first of its kind regional assessment of waterbody depth with per pixel estimates of depth for the entire North Slope of Alaska.
• Abstract（参考訳）: アラスカの北斜面は小さな水域が支配しており、地域住民や野生生物にとって重要な生態系を提供している。 このような情報収集の難しさから,水面深の詳細な情報は乏しい。 本研究では,アラスカ州北部斜面における多スペクトルランドサットデータから深度を予測するために,機械学習モデル(ランサムフォレスト回帰器)を訓練した。 最大の課題は、モデルのトレーニングに高価で入手が難しいIn situデータの不足である。 この課題を克服するために, 前回の研究では, モデル付き深度予測を合成訓練データとして利用し, ランダムフォレストのためのより多様なトレーニングデータプールを提供する。 最終ランダムフォレストモデルは、in situデータを直接トレーニングしたモデルよりも堅牢で、2016年から2018年までの208のランドサット8のシーンに適用すると、全体のr^{2}$値0.76のマップが得られた。 最終地図はオークリッジ国立研究所(Oak Ridge National Laboratory Distribute Active Archive Center,ORNL-DAAC)で公開されている。 この地図は、アラスカの北斜面全体に対する1ピクセルあたりの深度を推定し、水域の深度を地域によって評価した最初の例である。

関連論文リスト

• Retrieving snow depth distribution by downscaling ERA5 Reanalysis with ICESat-2 laser altimetry [2.5124917269950324]
  本研究は、ICESat-2衛星レーザー高度計による積雪深度測定を用いて、マイクロスケール(10m)で積雪深度マップを作成する。 積雪深とそれに対応するERA5ランド積雪深との関係を確立するために回帰モデルを適用した。 ERA5時間帯全体を対象とした月次積雪深図の時系列作成方法(1950年以降)
  論文  参考訳（メタデータ） (2024-10-23T14:59:06Z)
• Depth Any Canopy: Leveraging Depth Foundation Models for Canopy Height Estimation [4.69726714177332]
  世界樹高の推定は森林保全と気候変動の応用に不可欠である。 効率的な代替手段として、キャノピーの高さ推定器を訓練して、単一ビューのリモートセンシング画像を操作する方法がある。 近年の単眼深度推定基礎モデルでは,複雑なシーンにおいても強いゼロショット性能を示した。
  論文  参考訳（メタデータ） (2024-08-08T15:24:07Z)
• 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)
• SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for Dynamic Scenes [58.89295356901823]
  自己監督型単眼深度推定は静的な場面で顕著な結果を示した。 トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。 単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。 我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
  論文  参考訳（メタデータ） (2022-11-07T16:17:47Z)
• Towards Accurate Reconstruction of 3D Scene Shape from A Single Monocular Image [91.71077190961688]
  まず、未知のスケールまで深さを予測し、単一の単眼画像からシフトする2段階のフレームワークを提案する。 次に、3Dポイントの雲のデータを利用して、奥行きの変化とカメラの焦点距離を予測し、3Dシーンの形状を復元します。 我々は9つの未知のデータセットで深度モデルを検証し、ゼロショット評価で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-28T16:20:14Z)
• P3Depth: Monocular Depth Estimation with a Piecewise Planarity Prior [133.76192155312182]
  本研究では,コプラナー画素からの情報を選択的に活用して予測深度を改善する手法を提案する。 本手法の広範な評価により, 教師付き単分子深度推定法において, 新たな手法の確立が期待できる。
  論文  参考訳（メタデータ） (2022-04-05T10:03:52Z)
• Improving Depth Estimation using Location Information [0.0]
  本稿では,自己教師型深度学習法の改良を行い,高精度な単眼深度推定を行う。 主なアイデアは、異なるフレームのシーケンスを考慮に入れたディープモデルをトレーニングすることであり、各フレームはその位置情報でタグ付けされる。
  論文  参考訳（メタデータ） (2021-12-27T22:30:14Z)
• 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)
• Efficient Depth Completion Using Learned Bases [94.0808155168311]
  深度補正のための新しい大域的幾何制約を提案する。 低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
  論文  参考訳（メタデータ） (2020-12-02T11:57:37Z)
• Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry [0.82354995224692]
  本研究では, 深層学習に基づく深層水深計測手法について, 疎度, マルチスケール計測による評価を行った。 本稿では, 深部ニューラルネットワーク(DNN)を用いて, 深部潜水量計の後方推定を計算し, 後方分布からサンプルを抽出する条件付き生成逆ネットワーク(cGAN)を提案する。
  論文  参考訳（メタデータ） (2020-11-19T08:22:00Z)

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。