論文の概要: Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions

• arxiv url: http://arxiv.org/abs/2507.01123v1
• Date: Tue, 01 Jul 2025 18:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.85979
• Title: Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions
• Title（参考訳）: マルチソース衛星データと地理的領域間の深層学習を用いた地すべりの検出とマッピング
• Authors: Rahul A. Burange, Harsh K. Shinde, Omkar Mutyalwar,
• Abstract要約: 地すべりはインフラ、経済、生活に深刻な脅威をもたらす。 深層学習とリモートセンシングの進歩により、自動地すべり検出がますます効果的になっている。 本研究では,多ソース衛星画像と深層学習モデルを統合し,地すべりの識別と予測を強化する包括的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landslides pose severe threats to infrastructure, economies, and human lives, necessitating accurate detection and predictive mapping across diverse geographic regions. With advancements in deep learning and remote sensing, automated landslide detection has become increasingly effective. This study presents a comprehensive approach integrating multi-source satellite imagery and deep learning models to enhance landslide identification and prediction. We leverage Sentinel-2 multispectral data and ALOS PALSAR-derived slope and Digital Elevation Model (DEM) layers to capture critical environmental features influencing landslide occurrences. Various geospatial analysis techniques are employed to assess the impact of terra in characteristics, vegetation cover, and rainfall on detection accuracy. Additionally, we evaluate the performance of multiple stateof-the-art deep learning segmentation models, including U-Net, DeepLabV3+, and Res-Net, to determine their effectiveness in landslide detection. The proposed framework contributes to the development of reliable early warning systems, improved disaster risk management, and sustainable land-use planning. Our findings provide valuable insights into the potential of deep learning and multi-source remote sensing in creating robust, scalable, and transferable landslide prediction models.
• Abstract（参考訳）: 地すべりは、インフラ、経済、人間の生活に深刻な脅威をもたらし、様々な地域にわたって正確な検出と予測マッピングを必要としている。 深層学習とリモートセンシングの進歩により、自動地すべり検出がますます効果的になっている。 本研究では,多ソース衛星画像と深層学習モデルを統合し,地すべりの識別と予測を強化する包括的アプローチを提案する。 我々は,地すべりの発生に影響を及ぼす重要な環境特性を捉えるために,Sentinel-2マルチスペクトルデータとALOS PALSAR由来の斜面とDEM(Digital Elevation Model)層を利用する。 地形特性, 植生被覆量, 降雨量が検出精度に与える影響を評価するために, 様々な地理空間解析手法が用いられている。 さらに,U-Net,DeepLabV3+,Res-Netを含む最先端のディープラーニングセグメンテーションモデルの性能を評価し,地すべり検出の有効性について検討した。 提案手法は, 早期警戒システムの開発, 災害リスク管理の改善, 持続可能な土地利用計画に寄与する。 我々の研究は、堅牢でスケーラブルで移動可能な地すべり予測モデルを作成する上で、ディープラーニングとマルチソースリモートセンシングの可能性についての貴重な洞察を提供する。

関連論文リスト

• A Novel Shape-Aware Topological Representation for GPR Data with DNN Integration [3.367318729981566]
  地中貫入レーダ(GPR)は地下探査に広く用いられている非破壊試験(NDT)技術である。 本研究では,地下施設,特にパイプラインの発見を促進する新しい枠組みを提案する。 本研究では, 入力データの構造的特徴を増幅し, 埋設物の幾何学的特徴に対するモデルの応答性を向上する新しい形状対応トポロジ表現を提案する。
  論文  参考訳（メタデータ） (2025-05-26T10:43:34Z)
• Always Clear Depth: Robust Monocular Depth Estimation under Adverse Weather [48.65180004211851]
  高品質なトレーニングデータ生成とドメイン適応の観点から,textbfACDepth と呼ばれる頑健な単眼深度推定手法を提案する。 具体的には、悪天候条件をシミュレートするサンプルを生成するための1段階拡散モデルを導入し、トレーニング中に多段階劣化データセットを構築した。 本稿では,教師モデルと事前学習深度V2からの知識を学生ネットワークに吸収させる多粒度知識蒸留戦略(MKD)について詳述する。
  論文  参考訳（メタデータ） (2025-05-18T02:30:47Z)
• A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
  この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。 実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。 結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
  論文  参考訳（メタデータ） (2024-07-03T07:19:41Z)
• Exploring Challenges in Deep Learning of Single-Station Ground Motion Records [2.7379431425414693]
  地動記録から深層学習を行う過程において,地震相到着時間などの補助情報が支配する程度を評価する。 実験の結果,高相関の一次(P)相と二次(S)相の到着時間に強く依存していることが判明した。 これらの知見は, 単一局地動記録からの深層学習のための頑健な方法論の欠如を浮き彫りにして, 現在の研究環境における重要なギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-03-12T11:56:50Z)
• FloodLense: A Framework for ChatGPT-based Real-time Flood Detection [0.0]
  本研究は,リアルタイム洪水検出・管理の課題に対処するものである。 先進的なディープラーニングモデルと大規模言語モデル(LLM)を革新的に組み合わせ、洪水モニタリングと応答能力を向上する。
  論文  参考訳（メタデータ） (2024-01-27T20:52:33Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
  リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。 水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。 このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T10:59:15Z)
• DFPENet-geology: A Deep Learning Framework for High Precision Recognition and Segmentation of Co-seismic Landslides [7.927831418004974]
  本稿では,Dense-Decoder Network (DFPENet) を用いたロバストモデル Dense Feature Pyramid を開発した。 DFPENetモデルから抽出した画像特徴,地質学的特徴,時間分解能,地すべりの空間解析,移動学習を統合した共地震地すべり認識手法を提案する。
  論文  参考訳（メタデータ） (2019-08-28T19:07:40Z)

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。