論文の概要: Habitat and Land Cover Change Detection in Alpine Protected Areas: A Comparison of AI Architectures

• arxiv url: http://arxiv.org/abs/2511.00073v1
• Date: Wed, 29 Oct 2025 12:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.561965
• Title: Habitat and Land Cover Change Detection in Alpine Protected Areas: A Comparison of AI Architectures
• Title（参考訳）: アルプス保護地域における居住地と土地被覆変化の検出:AIアーキテクチャの比較
• Authors: Harald Kristen, Daniel Kulmer, Manuela Hirschmugl,
• Abstract要約: オーストリア・ゲザエウス国立公園の長期アルプス生息地データを用いて, 変化検出に深層学習を適用した。 Clay v1.0はU-Netの41%のマルチクラスの生息地変更に対して51%の全体的な精度を達成するが、どちらもバイナリの変更検出では67%に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid climate change and other disturbances in alpine ecosystems demand frequent habitat monitoring, yet manual mapping remains prohibitively expensive for the required temporal resolution. We employ deep learning for change detection using long-term alpine habitat data from Gesaeuse National Park, Austria, addressing a major gap in applying geospatial foundation models (GFMs) to complex natural environments with fuzzy class boundaries and highly imbalanced classes. We compare two paradigms: post-classification change detection (CD) versus direct CD. For post-classification CD, we evaluate GFMs Prithvi-EO-2.0 and Clay v1.0 against U-Net CNNs; for direct CD, we test the transformer ChangeViT against U-Net baselines. Using high-resolution multimodal data (RGB, NIR, LiDAR, terrain attributes) covering 4,480 documented changes over 15.3 km2, results show Clay v1.0 achieves 51% overall accuracy versus U-Net's 41% for multi-class habitat change, while both reach 67% for binary change detection. Direct CD yields superior IoU (0.53 vs 0.35) for binary but only 28% accuracy for multi-class detection. Cross-temporal evaluation reveals GFM robustness, with Clay maintaining 33% accuracy on 2020 data versus U-Net's 23%. Integrating LiDAR improves semantic segmentation from 30% to 50% accuracy. Although overall accuracies are lower than in more homogeneous landscapes, they reflect realistic performance for complex alpine habitats. Future work will integrate object-based post-processing and physical constraints to enhance applicability.
• Abstract（参考訳）: 急激な気候変動やアルプス生態系の混乱は、頻繁な生息環境モニタリングを必要とするが、手動マッピングは、時間的解決のためには違法に高価である。 オーストリア・ゲザース国立公園の長期アルプス生息地データを用いて, 地空間基盤モデル(GFM)をファジィクラス境界と高度不均衡クラスを有する複雑な自然環境に適用する際の大きなギャップに対処する。 分類後変化検出(CD)と直接CDの2つのパラダイムを比較した。 後分類CDでは,U-Net CNNに対してGFMs Prithvi-EO-2.0とClay v1.0を評価し,直接CDでは,U-Netベースラインに対してChangeViTを試験する。 高解像度のマルチモーダルデータ(RGB、NIR、LiDAR、地形特性)を用いて、15.3km2以上の4,480件の変更を文書化した結果、Clay v1.0はU-Netの41%のマルチクラスの生息地変化に対して51%の精度を達成した。 直接CDはバイナリでは優れたIoU(0.53対0.35)を得るが、マルチクラス検出では28%の精度しか得られない。 2020年のデータでは、U-Netの23%に対して、クレイは33%の精度を維持している。 LiDARの統合はセマンティックセグメンテーションを30%から50%の精度で改善する。 全体的な収差は、より均質な景観よりも低いが、複雑なアルプスの生息地の現実的な性能を反映している。 今後の作業では、オブジェクトベースの後処理と物理的な制約を統合して、適用性を高める予定だ。

関連論文リスト

• Assessing the value of Geo-Foundational Models for Flood Inundation Mapping: Benchmarking models for Sentinel-1, Sentinel-2, and Planetscope for end-users [1.3877194435621216]
  Foundationsal Models (GFMs) は、衛星画像から高速かつ信頼性の高い情報抽出を可能にする。 これらの可能性にもかかわらず、GFMがU-Netのような従来のモデルより優れているかどうかは不明だ。 我々はTransNorm, U-Net, Attention U-Netに対して, Prithvi 2.0, Clay V1.5, DOFA, UViTの3つのGFMを評価した。
  論文  参考訳（メタデータ） (2025-11-03T19:02:09Z)
• A Comparative Benchmark of Real-time Detectors for Blueberry Detection towards Precision Orchard Management [2.667064587590596]
  本研究では,先進的リアルタイム物体検出器の比較ベンチマーク解析を行った。 このデータセットは、2022-2023シーズンにスマートフォンで収集された671枚の天蓋画像からなる。 YOLOモデルのうち、YOLOv12mはmAP@50の93.3%で最高の精度を達成した。
  論文  参考訳（メタデータ） (2025-09-24T21:42:24Z)
• FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection [48.06921153684768]
  本稿では,LevirSCDと呼ばれるリモートセマンティックチェンジ検出(SCD)のための新しいベンチマークを提案する。 データセットには16の変更カテゴリと210の特定の変更タイプが含まれており、よりきめ細かいクラス定義がある。 本研究では,フォアグラウンド・バックグラウンド・コグラウンドSCD(FoBa)手法を提案する。 FoBaは、現在のSOTA法と比較して、それぞれ1.48%、3.61%、および2.81%の改善を達成している。
  論文  参考訳（メタデータ） (2025-09-19T09:19:57Z)
• Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
  大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
  論文  参考訳（メタデータ） (2024-05-24T11:10:58Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
  温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。 ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。 我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
  論文  参考訳（メタデータ） (2022-05-17T17:53:50Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。