論文の概要: Landcover classification and change detection using remote sensing and machine learning: a case study of Western Fiji
- arxiv url: http://arxiv.org/abs/2509.13388v2
- Date: Thu, 02 Oct 2025 10:28:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.075425
- Title: Landcover classification and change detection using remote sensing and machine learning: a case study of Western Fiji
- Title（参考訳）: リモートセンシングと機械学習による土地被覆分類と変化検出--西フィジーを事例として
- Authors: Yadvendra Gurjar, Ruoni Wan, Ehsan Farahbakhsh, Rohitash Chandra,
- Abstract要約: フィジーのナディでは,2013年から2024年にかけての土地利用と土地被覆の変化を機械学習とリモートセンシングのフレームワークで比較した。
本研究の最終的な目標は、土地被覆・土地利用モデリングおよび変更検出における技術的支援を提供することである。
- 参考スコア（独自算出の注目度）: 3.2654923574107357
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As a developing country, Fiji is facing rapid urbanisation, which is visible in the massive development projects that include housing, roads, and civil works. In this study, we present machine learning and remote sensing frameworks to compare land use and land cover change from 2013 to 2024 in Nadi, Fiji. The ultimate goal of this study is to provide technical support in land cover/land use modelling and change detection. We used Landsat-8 satellite image for the study region and created our training dataset with labels for supervised machine learning. We used Google Earth Engine and unsupervised machine learning via k-means clustering to generate the land cover map. We used convolutional neural networks to classify the selected regions' land cover types. We present a visualisation of change detection, highlighting urban area changes over time to monitor changes in the map.
- Abstract（参考訳）: 発展途上国として、フィジーは急速な都市化に直面しており、住宅、道路、土木工事を含む大規模開発プロジェクトで見ることができる。
本研究では,2013年から2024年までのフィジー・ナディにおける土地利用と土地被覆の変化を比較するための機械学習とリモートセンシングフレームワークを提案する。
本研究の最終的な目標は、土地被覆・土地利用モデリングおよび変更検出における技術的支援を提供することである。
研究領域にはLandsat-8衛星画像を使用し、教師あり機械学習のためのラベル付きトレーニングデータセットを作成しました。
Google Earth Engineとk-meansクラスタリングによる教師なし機械学習を使って、ランドカバーマップを生成しました。
我々は、畳み込みニューラルネットワークを用いて、選択した地域の土地被覆タイプを分類した。
本稿では, 地図上の変化を監視するために, 時間とともに都市部の変化を強調して, 変化検出の可視化を行う。
関連論文リスト
- A Comparative Study of U-Net Architectures for Change Detection in Satellite Images [0.0]
U-Netアーキテクチャは、空間情報をキャプチャし、ピクセル単位の分類を行う能力で人気を博している。
本研究は18種類のU-Net変動の比較と解析を行い,リモートセンシングにおける変化検出の可能性について検討した。
論文 参考訳（メタデータ） (2025-06-09T16:38:34Z) - Comparative Analysis of the Land Use and Land Cover Changes in Different Governorates of Oman using Spatiotemporal Multi-spectral Satellite Data [0.0]
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。
論文 参考訳（メタデータ） (2025-05-29T09:36:23Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region [0.28675177318965034]
我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。
ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
論文 参考訳（メタデータ） (2022-03-28T12:08:06Z) - 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) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳（メタデータ） (2021-03-07T02:16:24Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - Land Cover Semantic Segmentation Using ResUNet [0.0]
本稿では,土地被覆分類のための自動システムの開発について述べる。
本システムは、入力として領域のマルチバンド衛星画像を取得し、入力と同じ解像度で領域のランドカバーマップを出力する。
この目的のために、衛星画像の土地被覆セマンティックセグメンテーションを予測するために、畳み込み機械学習モデルを訓練した。
論文 参考訳（メタデータ） (2020-10-13T10:56:09Z) - 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) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification [2.28438857884398]
本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
論文 参考訳（メタデータ） (2020-03-05T20:07:48Z)
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。