論文の概要: From Pixels to People: Satellite-Based Mapping and Quantification of Riverbank Erosion and Lost Villages in Bangladesh

• arxiv url: http://arxiv.org/abs/2510.17198v1
• Date: Mon, 20 Oct 2025 06:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.331634
• Title: From Pixels to People: Satellite-Based Mapping and Quantification of Riverbank Erosion and Lost Villages in Bangladesh
• Title（参考訳）: 地図から人へ:バングラデシュの川岸エロージョンと失われた村の衛星マッピングと定量化
• Authors: M Saifuzzaman Rafat, Mohd Ruhul Ameen, Akif Islam, Abu Saleh Musa Miah, Jungpil Shin,
• Abstract要約: 河川浸食の追跡に強力な汎用視覚モデルであるセグメンション・アニーシング・モデル(Segment Anything Model)が適用可能であることを示す。 バングラデシュで最も脆弱な地域の歴史的Google Earth画像から収集した損失のデジタル年代記を収集する。 このデータセットは、水中で消滅した開拓地に関する手動の注釈付きデータを含む最初のものである。
• 参考スコア（独自算出の注目度）: 1.5223740593989443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The great rivers of Bangladesh, arteries of commerce and sustenance, are also agents of relentless destruction. Each year, they swallow whole villages and vast tracts of farmland, erasing communities from the map and displacing thousands of families. To track this slow-motion catastrophe has, until now, been a Herculean task for human analysts. Here we show how a powerful general-purpose vision model, the Segment Anything Model (SAM), can be adapted to this task with remarkable precision. To do this, we assembled a new dataset - a digital chronicle of loss compiled from historical Google Earth imagery of Bangladesh's most vulnerable regions, including Mokterer Char Union, Kedarpur Union, Balchipara village, and Chowhali Upazila, from 2003 to 2025. Crucially, this dataset is the first to include manually annotated data on the settlements that have vanished beneath the water. Our method first uses a simple color-channel analysis to provide a rough segmentation of land and water, and then fine-tunes SAM's mask decoder to recognize the subtle signatures of riverbank erosion. The resulting model demonstrates a keen eye for this destructive process, achieving a mean Intersection over Union of 86.30% and a Dice score of 92.60% - a performance that significantly surpasses traditional methods and off-the-shelf deep learning models. This work delivers three key contributions: the first annotated dataset of disappeared settlements in Bangladesh due to river erosion; a specialized AI model fine-tuned for this critical task; and a method for quantifying land loss with compelling visual evidence. Together, these tools provide a powerful new lens through which policymakers and disaster management agencies can monitor erosion, anticipate its trajectory, and ultimately protect the vulnerable communities in its path.
• Abstract（参考訳）: バングラデシュの大河川、商業やステンランスの流路もまた、絶え間ない破壊の要因である。 毎年、村や広大な農地を飲み込み、地図からコミュニティを消し去り、何千もの家族を滅ぼす。 このスローモーションの災害を追跡することは、これまで人間アナリストにとってハーキュリーの課題だった。 ここでは、強力な汎用視覚モデルであるSAM(Segment Anything Model)が、この課題に顕著な精度で適応可能であることを示す。 2003年から2025年にかけて、モクテラー・シャル・ユニオン、ケダルプール・ユニオン、バルチパラ村、コホハリ・ウパジラなどバングラデシュで最も脆弱な地域の歴史的Google Earth画像から収集した、新たなデータセットを収集した。 重要なことに、このデータセットは、水中で消滅した集落に関する手動の注釈付きデータを含む最初のものである。 筆者らはまず, 簡易なカラーチャネル解析を用いて, 土地と水の粗いセグメンテーションを行い, そして微粒なSAMマスクデコーダを用いて河川岸侵食の微妙な兆候を認識する。 結果として得られたモデルは、この破壊的なプロセスに対して、86.30%の平均的なインターセクションと92.60%のDiceスコアを達成している。 この研究は、バングラデシュで河川浸食によって消失した集落の最初の注釈付きデータセット、この重要なタスクに精巧に調整された専門的なAIモデル、説得力のある視覚的証拠で土地の損失を定量化する方法の3つの重要な貢献を提供している。 これらのツールによって、政策立案者や災害管理機関が浸食を監視し、その軌道を予測し、最終的にはその道の弱いコミュニティを保護できる強力な新しいレンズが提供される。

関連論文リスト

• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Post-Hurricane Debris Segmentation Using Fine-Tuned Foundational Vision Models [18.008592164636664]
  この研究は、Hulicanes Ian、Ida、Ikeの約1200個の手動の空中RGB画像からなるオープンソースデータセットを導入している。 人間のバイアスを緩和し、データ品質を向上させるため、複数のアノテータからのラベルを戦略的に集約し、視覚的なプロンプトエンジニアリングを採用する。 結果として得られた細調整されたモデルであるfCLIPSegは、ハリケーン・アイダのデータからデブリのない地域では事実上偽陽性のDiceスコアが0.70に達する。
  論文  参考訳（メタデータ） (2025-04-17T00:08:50Z)
• AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring [0.0]
  洪水は大きな自然災害であり、毎年重大な死者と経済的な損失をもたらし、気候変動によって頻度が増している。 本研究では,UNet,ResNet,DeepLabv3の3種類の深層学習モデルの性能を比較する。
  論文  参考訳（メタデータ） (2025-01-14T17:26:02Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping [3.753635296366263]
  バングラデシュの歴史的洪水を推定するために,センチネル-1由来の分水浸水地域をMODISデータと融合するCNN-LSTM深層学習フレームワークを開発した。 このモデルは、バングラデシュにおける過去20年間の浸水範囲を推定するために、過去のMODISデータに適用され、しきい値アルゴリズムと物理モデルと比較される。
  論文  参考訳（メタデータ） (2023-05-01T03:11:42Z)
• IS-COUNT: Large-scale Object Counting from Satellite Images with Covariate-based Importance Sampling [90.97859312029615]
  本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。 提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-16T18:59:29Z)
• Street to Cloud: Improving Flood Maps With Crowdsourcing and Semantic Segmentation [31.204782936478487]
  Street to Cloudは、クラウドソーシングされた地上真実データを洪水の衛星画像のセグメンテーションに組み込むための機械学習パイプラインである。 本稿では,高品質の手書きトレーニングデータを生成する作業集約型タスクの解決策として,このアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-05T16:36:58Z)
• Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
  紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。 本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。 我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
  論文  参考訳（メタデータ） (2020-10-12T19:01:20Z)
• Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
  リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。 これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-28T03:47:49Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。