論文の概要: FLNet: Flood-Induced Agriculture Damage Assessment using Super Resolution of Satellite Images
- arxiv url: http://arxiv.org/abs/2601.03884v1
- Date: Wed, 07 Jan 2026 12:51:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-08 18:12:46.192935
- Title: FLNet: Flood-Induced Agriculture Damage Assessment using Super Resolution of Satellite Images
- Title（参考訳）: FLNet:衛星画像の超解像による洪水による農業被害評価
- Authors: Sanidhya Ghosal, Anurag Sharma, Sushil Ghildiyal, Mukesh Saini,
- Abstract要約: インドでは洪水の影響が広く受けており、農耕後の農業経営において、迅速かつ正確な農作物被害評価が不可欠である。
従来の手動調査は遅く偏りがあり、現在の衛星ベースの手法では雲の覆いや空間解像度の低さといった課題に直面している。
本稿では,超解像を用いた新しい深層学習アーキテクチャであるFLNetを導入し,衛星画像の空間分解能を3mに高め,損傷を分類した。
- 参考スコア（独自算出の注目度）: 3.806192383117017
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Distributing government relief efforts after a flood is challenging. In India, the crops are widely affected by floods; therefore, making rapid and accurate crop damage assessment is crucial for effective post-disaster agricultural management. Traditional manual surveys are slow and biased, while current satellite-based methods face challenges like cloud cover and low spatial resolution. Therefore, to bridge this gap, this paper introduced FLNet, a novel deep learning based architecture that used super-resolution to enhance the 10 m spatial resolution of Sentinel-2 satellite images into 3 m resolution before classifying damage. We tested our model on the Bihar Flood Impacted Croplands Dataset (BFCD-22), and the results showed an improved critical "Full Damage" F1-score from 0.83 to 0.89, nearly matching the 0.89 score of commercial high-resolution imagery. This work presented a cost-effective and scalable solution, paving the way for a nationwide shift from manual to automated, high-fidelity damage assessment.
- Abstract（参考訳）: 洪水後の政府の救援活動の分配は困難である。
インドでは洪水の影響が広く受けており、農耕後の効果的な農業経営には、迅速かつ正確な農作物被害評価が不可欠である。
従来の手動調査は遅く偏りがあり、現在の衛星ベースの手法では雲の覆いや空間解像度の低さといった課題に直面している。
そこで本研究では,このギャップを埋めるために,超解像を用いた新しい深層学習アーキテクチャFLNetを導入し,損傷の分類に先立って,Sentinel-2衛星画像の空間分解能を3mに向上させた。
我々は,BFCD-22(Bihar Flood Impacted Croplands Dataset)で実験を行い,商業高解像度画像の0.89スコアとほぼ一致し,F1スコアを0.83から0.89に改善した。
この研究はコスト効率が高くスケーラブルなソリューションを示し、手動から自動化された高忠実度損傷評価への全国的なシフトを可能にした。
関連論文リスト
- Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。
この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。
このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
論文 参考訳（メタデータ） (2025-08-23T20:12:06Z) - PrecipDiff: Leveraging image diffusion models to enhance satellite-based precipitation observations [0.6813925418351435]
水関連の災害は、過去50年で最も人的被害を被った自然災害である。
気象監視レーダー(WSR)のような適切な地上監視局の欠如は、設置に費用がかかる。
衛星による観測は、地球規模のほぼリアルタイムな監視ソリューションを提供する。
論文 参考訳（メタデータ） (2025-01-13T16:18:31Z) - BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。
近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。
本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
論文 参考訳（メタデータ） (2025-01-10T14:57:18Z) - Causality-informed Rapid Post-hurricane Building Damage Detection in
Large Scale from InSAR Imagery [6.331801334141028]
ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。
近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。
これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。
本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T18:56:05Z) - AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。
我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。
我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
論文 参考訳（メタデータ） (2023-09-03T03:37:04Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。
純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。
我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
論文 参考訳（メタデータ） (2021-04-10T15:00:15Z) - H2O-Net: Self-Supervised Flood Segmentation via Adversarial Domain
Adaptation and Label Refinement [6.577064131678387]
H2O-Networkは、衛星や航空画像から洪水を分離する自己教師付きディープラーニング手法である。
H2O-Networkは、高解像度衛星画像におけるセマンティックセグメンテーションのドメイン適応ステップとして、水の存在と高い相関性を持つ信号を合成することを学ぶ。
H2O-Netは,衛星画像上での最先端セマンティックセマンティックセグメンテーション法を,それぞれ10%,12%の精度で,mIoUより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-11T18:35:03Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳（メタデータ） (2020-08-03T13:55:39Z) - 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) - HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of
Satellite Imagery [55.253395881190436]
MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。
これは、地球上の人間の影響を衛星で観測する上で重要である。
我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
論文 参考訳（メタデータ） (2020-02-15T22:17:47Z)
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。