論文の概要: Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping
- arxiv url: http://arxiv.org/abs/2504.12368v1
- Date: Wed, 16 Apr 2025 17:42:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 14:38:19.909972
- Title: Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping
- Title（参考訳）: 地理的文脈:大地被覆図作成のための細部・粗部空間情報のブリッジ
- Authors: Babak Ghassemi, Cassio Fraga-Dantas, Raffaele Gaetano, Dino Ienco, Omid Ghorbanzadeh, Emma Izquierdo-Verdiguier, Francesco Vuolo,
- Abstract要約: BRIDGE-LCは,土地被覆分類プロセスに大規模地理空間情報を統合する,新しい深層学習フレームワークである。
その結果,地理空間情報の統合により土地被覆マッピング性能が向上することが示唆された。
- 参考スコア（独自算出の注目度）: 2.9212099078191756
- License:
- Abstract: Land use and land cover mapping from Earth Observation (EO) data is a critical tool for sustainable land and resource management. While advanced machine learning and deep learning algorithms excel at analyzing EO imagery data, they often overlook crucial geospatial metadata information that could enhance scalability and accuracy across regional, continental, and global scales. To address this limitation, we propose BRIDGE-LC (Bi-level Representation Integration for Disentangled GEospatial Land Cover), a novel deep learning framework that integrates multi-scale geospatial information into the land cover classification process. By simultaneously leveraging fine-grained (latitude/longitude) and coarse-grained (biogeographical region) spatial information, our lightweight multi-layer perceptron architecture learns from both during training but only requires fine-grained information for inference, allowing it to disentangle region-specific from region-agnostic land cover features while maintaining computational efficiency. To assess the quality of our framework, we use an open-access in-situ dataset and adopt several competing classification approaches commonly considered for large-scale land cover mapping. We evaluated all approaches through two scenarios: an extrapolation scenario in which training data encompasses samples from all biogeographical regions, and a leave-one-region-out scenario where one region is excluded from training. We also explore the spatial representation learned by our model, highlighting a connection between its internal manifold and the geographical information used during training. Our results demonstrate that integrating geospatial information improves land cover mapping performance, with the most substantial gains achieved by jointly leveraging both fine- and coarse-grained spatial information.
- Abstract（参考訳）: 地球観測(EO)データからの土地利用と土地被覆マッピングは、持続可能な土地と資源管理にとって重要なツールである。
高度な機械学習とディープラーニングのアルゴリズムは、EO画像データを分析するのに優れていますが、地域、大陸、グローバルスケールにわたるスケーラビリティと精度を高める可能性のある、重要な地理空間メタデータ情報を見落としています。
この制限に対処するため, BRIDGE-LC (Bi-level Representation Integration for Disentangled GEospatial Land Cover) を提案する。
微粒化(緯度/経度)と粗粒化(生物地理領域)空間情報を同時に活用することにより、我々の軽量多層パーセプトロンアーキテクチャは、トレーニング中の双方から学習するが、推論にはきめ細かい情報しか必要とせず、計算効率を保ちながら、地域固有の土地被覆特徴から切り離すことができる。
フレームワークの質を評価するために,オープンアクセスデータセットを使用し,大規模土地被覆地図によく考慮されるいくつかの競合する分類手法を採用する。
筆者らは,全生物地理学領域のサンプルを含むトレーニングデータを含む補間シナリオと,1つの領域をトレーニングから除外する1つの領域外シナリオの2つのシナリオを通じて,すべてのアプローチを評価した。
また,本モデルで学習した空間表現についても検討し,内部多様体と学習時に使用する地理情報との関連性を強調した。
その結果,地理空間情報の統合により土地被覆マッピング性能が向上し,細粒度情報と粗粒度情報の両方を両立させることで,最も顕著な向上が得られた。
関連論文リスト
- Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis [12.025312586542318]
我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。
提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
論文 参考訳（メタデータ） (2024-01-26T22:21:39Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - A Coarse-to-Fine Approach for Urban Land Use Mapping Based on
Multisource Geospatial Data [4.2968261363970095]
本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。
まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。
次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
論文 参考訳（メタデータ） (2022-08-18T13:30:56Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - 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) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping [9.992909929182202]
衛星データの空間的および時間的性質を共同利用するために、UNet構造と双方向LSTMおよび注意メカニズムを組み込んだ新しいアーキテクチャを紹介します。
世界中の複数地域で作物をマッピングする手法の評価を行った。
論文 参考訳（メタデータ） (2021-05-02T05:39:42Z)
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。