論文の概要: Comparative Analysis of the Land Use and Land Cover Changes in Different Governorates of Oman using Spatiotemporal Multi-spectral Satellite Data

• arxiv url: http://arxiv.org/abs/2505.23285v1
• Date: Thu, 29 May 2025 09:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.79047
• Title: Comparative Analysis of the Land Use and Land Cover Changes in Different Governorates of Oman using Spatiotemporal Multi-spectral Satellite Data
• Title（参考訳）: 時空間多スペクトル衛星データを用いたオマーン県の土地利用と土地被覆変化の比較分析
• Authors: Muhammad Shafi, Syed Mohsin Bokhari,
• Abstract要約: 土地利用(LULC)の変化は、衛星変更の鍵となる応用である。 本研究は,2016年から2021年におけるオマーン県知事のLULC変化を年次時間ステップを用いて比較した。 監視された機械学習アルゴリズムは、水域、作物、都市など、異なる土地被覆の訓練と分類に使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Land cover and land use (LULC) changes are key applications of satellite imagery, and they have critical roles in resource management, urbanization, protection of soils and the environment, and enhancing sustainable development. The literature has heavily utilized multispectral spatiotemporal satellite data alongside advanced machine learning algorithms to monitor and predict LULC changes. This study analyzes and compares LULC changes across various governorates (provinces) of the Sultanate of Oman from 2016 to 2021 using annual time steps. For the chosen region, multispectral spatiotemporal data were acquired from the open-source Sentinel-2 satellite dataset. Supervised machine learning algorithms were used to train and classify different land covers, such as water bodies, crops, urban, etc. The constructed model was subsequently applied within the study region, allowing for an effective comparative evaluation of LULC changes within the given timeframe.
• Abstract（参考訳）: 土地被覆・土地利用(LULC)の変化は、衛星画像の重要な応用であり、資源管理、都市化、土壌と環境の保護、持続可能な発展の維持に重要な役割を果たしている。 この文献は、LULCの変化を監視・予測するために、高度な機械学習アルゴリズムとともに、多スペクトル時空間衛星データを多用してきた。 本研究は,2016年から2021年までのオマーンのスルターン国におけるLULCの変化を年次段階を用いて分析・比較した。 選択した領域については、オープンソースのSentinel-2衛星データセットからマルチスペクトル時空間データを得た。 監視された機械学習アルゴリズムは、水域、作物、都市など、異なる土地被覆の訓練と分類に使用された。 その後、構築されたモデルが研究領域内で適用され、与えられた時間枠内でのLULC変化の効果的な比較評価が可能となった。

関連論文リスト

• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• FUSU: A Multi-temporal-source Land Use Change Segmentation Dataset for Fine-grained Urban Semantic Understanding [6.833536116934201]
  都市セマンティック理解のための土地利用変化セグメンテーションデータセットであるFUSUを紹介した。 FUSUは、これまでで最も詳細な土地利用分類システムであり、17のクラスと300億ピクセルのアノテーションがある。 中国南部と北部の5つの都市部で847km2をカバーし、0.2-0.5mの地中サンプルと月毎の光学・レーダー衛星時系列の両時間高解像度衛星画像を含んでいる。
  論文  参考訳（メタデータ） (2024-05-29T12:56:11Z)
• Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning [5.936030178022172]
  土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T07:00:20Z)
• Multitemporal analysis in Google Earth Engine for detecting urban changes using optical data and machine learning algorithms [0.0]
  本研究の目的は,Google Earth Engine (GEE) プラットフォームを用いて都市部の変化を検出することにある。 エジプトでは、カイロ市は過去10年間で最も人口の多い大都市のひとつだと考えられています。
  論文  参考訳（メタデータ） (2023-08-22T14:29:19Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• 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)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• 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)
• 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)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)

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。