論文の概要: deFOREST: Fusing Optical and Radar satellite data for Enhanced Sensing of Tree-loss

• arxiv url: http://arxiv.org/abs/2510.14092v1
• Date: Wed, 15 Oct 2025 21:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.615223
• Title: deFOREST: Fusing Optical and Radar satellite data for Enhanced Sensing of Tree-loss
• Title（参考訳）: deFOREST:光衛星データとレーダー衛星データを併用してツリーロスの高感度センシング
• Authors: Julio Enrique Castrillon-Candas, Hanfeng Gu, Caleb Meredith, Yulin Li, Xiaojing Tang, Pontus Olofsson, Mark Kon,
• Abstract要約: 我々は,光・合成開口レーダ(SAR)データを組み込んだ森林破壊検出パイプラインを開発した。 パイプラインの重要な構成要素は、光学データの異常マップの構築である。 我々は、アマゾン森林の92.19km×91.80,km$領域でSentinel-1(SAR)およびSentinel-2(Optical)データを用いてアプローチを検証した。
• 参考スコア（独自算出の注目度）: 4.961542804154594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we develop a deforestation detection pipeline that incorporates optical and Synthetic Aperture Radar (SAR) data. A crucial component of the pipeline is the construction of anomaly maps of the optical data, which is done using the residual space of a discrete Karhunen-Lo\`{e}ve (KL) expansion. Anomalies are quantified using a concentration bound on the distribution of the residual components for the nominal state of the forest. This bound does not require prior knowledge on the distribution of the data. This is in contrast to statistical parametric methods that assume knowledge of the data distribution, an impractical assumption that is especially infeasible for high dimensional data such as ours. Once the optical anomaly maps are computed they are combined with SAR data, and the state of the forest is classified by using a Hidden Markov Model (HMM). We test our approach with Sentinel-1 (SAR) and Sentinel-2 (Optical) data on a $92.19\,km \times 91.80\,km$ region in the Amazon forest. The results show that both the hybrid optical-radar and optical only methods achieve high accuracy that is superior to the recent state-of-the-art hybrid method. Moreover, the hybrid method is significantly more robust in the case of sparse optical data that are common in highly cloudy regions.
• Abstract（参考訳）: 本稿では,光および合成開口レーダ(SAR)データを組み込んだ森林破壊検出パイプラインを開発する。 パイプラインの重要な構成要素は光学データの異常マップの構築であり、KL(Karhunen-Lo\`{e}ve)展開の残留空間を用いて行われる。 森林の名目状態に対する残留成分の分布に依存した濃度を用いて異常を定量化する。 この境界はデータの分布に関する事前の知識を必要としない。 これは、データ分布の知識を仮定する統計パラメトリック手法とは対照的である。 光異常マップが計算されると、それらはSARデータと組み合わせられ、森林の状態は隠れマルコフモデル(HMM)を用いて分類される。 アマゾン森林の9,219kmにおけるSentinel-1(SAR)とSentinel-2(Optical)のデータを用いてアプローチを検証した。 その結果, ハイブリッド光レーダ法と光のみ法は, 最近の最先端ハイブリッド法よりも精度が高いことがわかった。 さらに、このハイブリッド法は、非常に曇りの多い地域でよく見られるスパース光学データの場合、はるかに堅牢である。

関連論文リスト

• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• FUELVISION: A Multimodal Data Fusion and Multimodel Ensemble Algorithm for Wildfire Fuels Mapping [0.6592966907430154]
  森林調査計画(FIA)データを用いて「スコットとバーガン40」のようなランドスケープスケールの燃料を推定するために,アンサンブルモデルを訓練した。 Pseudo-labeled and fully synthetic datasets were developed using Generative AI approach to address the limit of ground truth data available。 ディープラーニングニューラルネットワーク、決定木、勾配向上など、一連の手法を使用することで、燃料マッピングの精度は80%近く向上した。
  論文  参考訳（メタデータ） (2024-03-19T14:20:46Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Fusion Detection via Distance-Decay IoU and weighted Dempster-Shafer Evidence Theory [0.0]
  高速なマルチソース核融合検出フレームワークが提案されている。 ターゲットの形状特性を符号化するために、ユニオン上の新しい距離デカイ交叉を用いる。 重み付けされたデンプスター・シェーファーのエビデンス理論は、光学と合成開口レーダ検出を組み合わせたものである。
  論文  参考訳（メタデータ） (2021-12-06T13:46:39Z)
• HyperPCA: a Powerful Tool to Extract Elemental Maps from Noisy Data Obtained in LIBS Mapping of Materials [7.648784748888189]
  本稿では,データのスパース表現に基づくハイパースペクトル画像解析ツールHyperPCAを紹介する。 本手法は, 得られた情報量と品質の両面での優位性を示し, 解析面の物理化学的特性の改善を図っている。
  論文  参考訳（メタデータ） (2021-11-30T07:52:44Z)
• Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic Mitigation [3.2855185490071444]
  最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。 フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-06-25T16:01:19Z)
• Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
  画像から高密度深度マップとスパース深度測定を推定する手法を提案する。 我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
  論文  参考訳（メタデータ） (2021-06-06T00:21:12Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)
• Polarimetric Guided Nonlocal Means Covariance Matrix Estimation for Defoliation Mapping [0.0]
  ツンドラ・フォレスト・エコトンにおける樹木の高分解能剥離と再成長マッピングを実現するために,合成開口レーダ(SAR)データを用いた可能性について検討した。 航空写真を用いて、生きた森林を持つ4つの地域と枯木を持つ4つの地域を同定した。 従来のスペックルフィルタ法よりも高い分類精度が99.7 %以上あり、光学データに基づく分類精度と同等である。
  論文  参考訳（メタデータ） (2020-01-24T13:06:12Z)

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。