論文の概要: SALPA: Spaceborne LiDAR Point Adjustment for Enhanced GEDI Footprint Geolocation
- arxiv url: http://arxiv.org/abs/2511.17600v1
- Date: Tue, 18 Nov 2025 03:05:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.281541
- Title: SALPA: Spaceborne LiDAR Point Adjustment for Enhanced GEDI Footprint Geolocation
- Title（参考訳）: SALPA: GEDIフットプリント測地のための宇宙搭載LiDAR点調整
- Authors: Narumasa Tsutsumida, Rei Mitsuhashi, Yoshito Sawada, Akira Kato,
- Abstract要約: 地すべりの不確実性は、炭素在庫評価を含む森林プロファイルの推定を損なう。
SALPAは,3つの最適化パラダイムと5つの距離メトリクスを統合したマルチアルゴリズム最適化フレームワークである。
対照的な地域--日光, 平地--
- 参考スコア（独自算出の注目度）: 0.052498055901649014
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spaceborne Light Detection and Ranging (LiDAR) systems, such as NASA's Global Ecosystem Dynamics Investigation (GEDI), provide forest structure for global carbon assessments. However, geolocation uncertainties (typically 5-15 m) propagate systematically through derived products, undermining forest profile estimates, including carbon stock assessments. Existing correction methods face critical limitations: waveform simulation approaches achieve meter-level accuracy but require high-resolution LiDAR data unavailable in most regions, while terrain-based methods employ deterministic grid searches that may overlook optimal solutions in continuous solution spaces. We present SALPA (Spaceborne LiDAR Point Adjustment), a multi-algorithm optimization framework integrating three optimization paradigms with five distance metrics. Operating exclusively with globally available digital elevation models and geoid data, SALPA explores continuous solution spaces through gradient-based, evolutionary, and swarm intelligence approaches. Validation across contrasting sites: topographically complex Nikko, Japan, and flat Landes, France, demonstrates 15-16% improvements over original GEDI positions and 0.5-2% improvements over the state-of-the-art GeoGEDI algorithm. L-BFGS-B with Area-based metrics achieves optimal accuracy-efficiency trade-offs, while population-based algorithms (genetic algorithms, particle swarm optimization) excel in complex terrain. The platform-agnostic framework facilitates straightforward adaptation to emerging spaceborne LiDAR missions, providing a generalizable foundation for universal geolocation correction essential for reliable global forest monitoring and climate policy decisions.
- Abstract（参考訳）: NASAのGlobal Ecosystem Dynamics Investigation (GEDI) のような宇宙用光検出・ラングリング(LiDAR)システムは、地球規模の炭素評価のための森林構造を提供する。
しかし、位置の不確実性(典型的には5～15m)は、炭素ストック評価を含む森林プロファイルの推定を損なうことなく、誘導された製品を通して体系的に伝播する。
波形シミュレーション手法はメートルレベルの精度を実現するが、ほとんどの地域では利用できない高解像度のLiDARデータを必要とする。
SALPA(Spaceborne LiDAR Point Adjustment)は,3つの最適化パラダイムと5つの距離メトリクスを統合するマルチアルゴリズム最適化フレームワークである。
SALPAは、グローバルに利用可能なデジタル標高モデルとジオイドデータでのみ動作するため、勾配ベース、進化型、および群知性アプローチを通じて、継続的ソリューション空間を探索する。
地理的に複雑な日光と平らなフランスのランドス(Landes)では,従来のGEDI位置よりも15-16%,最先端のGeoGEDIアルゴリズムより0.5-2%向上している。
L-BFGS-BとAreaベースのメトリクスは最適な精度と効率のトレードオフを達成し、一方、人口ベースのアルゴリズム(遺伝的アルゴリズム、粒子群最適化)は複雑な地形で優れている。
プラットフォームに依存しないこの枠組みは、地球規模の森林モニタリングや気候政策決定に不可欠な、普遍的な位置補正のための一般化可能な基盤を提供する。
関連論文リスト
- GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models [49.257706111340134]
進化的探索と地理空間的ドメイン知識を結合した多エージェントLLMフレームワークであるGeoEvolveを紹介する。
本研究では,空間的不確実性と空間的不確実性という2つの基本的・古典的課題について評価する。
空間誤差(RMSE)を13-21%削減し、不確実性推定性能を17%向上させる。
論文 参考訳（メタデータ） (2025-09-25T21:03:57Z) - VLM-Guided Visual Place Recognition for Planet-Scale Geo-Localization [24.433604332415204]
本稿では,視覚言語モデルと視覚的位置認識の強みを融合した,新しいハイブリッドなジオローカライゼーションフレームワークを提案する。
我々は,複数のジオローカライゼーションベンチマークに対するアプローチを評価し,従来手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-07-23T12:23:03Z) - RainShift: A Benchmark for Precipitation Downscaling Across Geographies [21.183274939386088]
地理的分布シフト下でのダウンスケーリングを評価するためのデータセットとベンチマークであるRainShiftを紹介した。
我々は、グローバル・ノースとグローバル・サウスの間のデータギャップをまたいだ一般化において、GANや拡散モデルを含む最先端のダウンスケーリング手法を評価した。
我々の研究は、ダウンスケーリング手法のグローバルな適用性を高め、高解像度の気候情報へのアクセスにおける不平等を減らすための一歩である。
論文 参考訳（メタデータ） (2025-07-07T12:25:14Z) - Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。
我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
論文 参考訳（メタデータ） (2025-05-07T11:37:23Z) - PSS-BA: LiDAR Bundle Adjustment with Progressive Spatial Smoothing [27.060381833488172]
本稿では, プログレッシブ空間平滑化によるLiDARバンドル調整について述べる。
提案手法の有効性とロバスト性をシミュレーションと実世界のデータセットで検証した。
論文 参考訳（メタデータ） (2024-03-10T07:56:54Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Learning Regionalization using Accurate Spatial Cost Gradients within a Differentiable High-Resolution Hydrological Model: Application to the French Mediterranean Region [0.18139022013189662]
未採集における分散水文パラメータの推定は, 地域化の問題を引き起こす。
本稿では,学習可能な地域化マッピングを取り入れたハイブリッド・アシミレーション・地域化(HDA-PR)手法を提案する。
その結果,特に上流から下流までの補間において,HDA-PRの強い地域化が顕著となった。
論文 参考訳（メタデータ） (2023-08-02T07:23:50Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳（メタデータ） (2020-05-04T05:35:02Z)
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。