論文の概要: Assessing airborne laser scanning and aerial photogrammetry for deep learning-based stand delineation

• arxiv url: http://arxiv.org/abs/2602.21709v1
• Date: Wed, 25 Feb 2026 09:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.771171
• Title: Assessing airborne laser scanning and aerial photogrammetry for deep learning-based stand delineation
• Title（参考訳）: 深層学習に基づくスタンドデライン化のための空中レーザー走査法と空中光線量測定法の評価
• Authors: Håkon Næss Sandum, Hans Ole Ørka, Oliver Tomic, Terje Gobakken,
• Abstract要約: 森林の在庫・管理には正確な森林スタンドの整備が不可欠である。 ディープラーニングは、空中画像と空中レーザースキャン(ALS)データを組み合わせる際に、専門家のインタプリタに匹敵するスタンドデラインを生成することができる。 DAP(Digital Photogrammetry)から派生したキャノピー高さモデル(CHM)は、時間的アライメントが向上するが、キャノピー表面とキャノピーギャップを滑らかにすることができる。 DTMはデライン性能を改善することが提案されているが、公表された文献では未検証である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate forest stand delineation is essential for forest inventory and management but remains a largely manual and subjective process. A recent study has shown that deep learning can produce stand delineations comparable to expert interpreters when combining aerial imagery and airborne laser scanning (ALS) data. However, temporal misalignment between data sources limits operational scalability. Canopy height models (CHMs) derived from digital photogrammetry (DAP) offer better temporal alignment but may smoothen canopy surface and canopy gaps, raising the question of whether they can reliably replace ALS-derived CHMs. Similarly, the inclusion of a digital terrain model (DTM) has been suggested to improve delineation performance, but has remained untested in published literature. Using expert-delineated forest stands as reference data, we assessed a U-Net-based semantic segmentation framework with municipality-level cross-validation across six municipalities in southeastern Norway. We compared multispectral aerial imagery combined with (i) an ALS-derived CHM, (ii) a DAP-derived CHM, and (iii) a DAP-derived CHM in combination with a DTM. Results showed comparable performance across all data combinations, reaching overall accuracy values between 0.90-0.91. Agreement between model predictions was substantially larger than agreement with the reference data, highlighting both model consistency and the inherent subjectivity of stand delineation. The similar performance of DAP-CHMs, despite the reduced structural detail, and the lack of improvements of the DTM indicate that the framework is resilient to variations in input data. These findings indicate that large datasets for deep learning-based stand delineations can be assembled using projects including temporally aligned ALS data and DAP point clouds.
• Abstract（参考訳）: 森林の在庫と管理には正確な森林スタンドの起伏が不可欠であるが、手作業と主観的なプロセスがほとんどである。 最近の研究では、空中画像と空中レーザースキャン(ALS)データを組み合わせることで、ディープラーニングが専門家インタプリタに匹敵するスタンドデラインを生成できることが示されている。 しかし、データソース間の時間的ミスアライメントは、運用のスケーラビリティを制限します。 DAP(Digital Photogrammetry)から派生したキャノピー高さモデル(CHM)は、時間的アライメントが向上するが、キャノピー表面とキャノピーギャップを滑らかにし、ALS由来のCHMを確実に置き換えられるかどうかという疑問を提起する。 同様に、デジタル地形モデル(DTM)の導入は、デライン性能を改善することが提案されているが、公表された文献では未検証である。 U-Netをベースとしたセマンティックセマンティックセグメンテーションフレームワークを, ノルウェー南東部の6つの自治体にまたがる都市レベルのクロスバリデーションで評価した。 多スペクトル空中画像と組み合わせて比較した。 i)ALS由来のCHM (ii)DAP由来のCHM及び 三 DAP由来のCHMとDTMを併用すること。 その結果、すべてのデータの組み合わせで同等のパフォーマンスを示し、全体的な精度は0.90-0.91である。 モデル予測の一致は参照データとの一致よりもかなり大きく、モデルの一貫性とスタンドデラインの固有の主観性の両方を強調した。 DAP-CHMの類似性能は、構造的詳細が減少し、DTMの改良が欠如していることから、このフレームワークは入力データのばらつきに耐性があることが示されている。 これらの結果から,時間的整合ALSデータやDAP点雲などのプロジェクトを用いて,ディープラーニングに基づくスタンドデライン化のための大規模データセットを構築できることが示唆された。

関連論文リスト

• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• An Efficient Machine Learning Framework for Forest Height Estimation from Multi-Polarimetric Multi-Baseline SAR data [2.395410408500006]
  本稿では,LiDARプロファイルを用いた多チャンネルSAR処理をGT(GT)として用いた森林高度推定フレームワークFGumpを紹介する。 精度と計算効率のバランスを保ち、手動設計の特徴の限られたセットを使い、重い前処理を避ける(例えば、キャリブレーションや量子化)。 実験の結果,FGumpはAIベースおよび古典的手法よりも優れており,精度が向上し,トレーニングや推論時間も著しく低下していることがわかった。
  論文  参考訳（メタデータ） (2025-07-28T13:07:23Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Enhancing Monocular Height Estimation via Sparse LiDAR-Guided Correction [25.268217296287688]
  合成データに基づいて学習した最先端のMHEモデルについて検討する。 このモデルは,過大評価や過小評価につながる要因である影の手がかりに大きく依存していることが判明した。 本稿では,不完全な大域的LiDAR測定と疎結合な補正パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-11T08:54:09Z)
• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [65.23593936798662]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations [15.934673617658609]
  ディープラーニングモデルは、世界中のトップNWPモデルのマッチング、さらには予測精度を超越する可能性を示している。 本研究は、衛星観測を同化するための一般化されたDLベースのDAフレームワークであるFuxiDAを紹介する。 Fengyun-4Bに搭載されたAdvanced Geosynchronous Radiation Imager(AGRI)のデータを同調することにより、FuXi-DAは解析誤差を一貫して軽減し、予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-12T15:02:14Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• Deep Learning Model Transfer in Forest Mapping using Multi-source Satellite SAR and Optical Images [0.08749675983608168]
  プロットレベル測定を用いた事前学習モデルの対象領域へのモデル移行(ドメイン適応)。 森林構造と組成の異なる2つの異なるタイガ遺跡へのアプローチを実証した。 転送学習を活用することで、SeUNetの予測は2.70mと0.882のR$2$の根平均二乗誤差(RMSE)を達成した。
  論文  参考訳（メタデータ） (2023-08-09T15:05:41Z)

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。