論文の概要: Canopy Tree Height Estimation Using Quantile Regression: Modeling and Evaluating Uncertainty in Remote Sensing
- arxiv url: http://arxiv.org/abs/2604.06988v1
- Date: Wed, 08 Apr 2026 12:05:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.505921
- Title: Canopy Tree Height Estimation Using Quantile Regression: Modeling and Evaluating Uncertainty in Remote Sensing
- Title（参考訳）: 量子回帰を用いた天蓋樹高の推定:リモートセンシングにおける不確かさのモデル化と評価
- Authors: Karsten Schrödter, Jan Pauls, Fabian Gieseke,
- Abstract要約: 本研究では,衛星データに基づく既存の樹高推定モデルに適用し,不確かさの定量化を取り入れた。
結果は、リモートセンシングにおける既知の課題と相関し、モデルがより困難な状況において自信を欠いていることを示している。
- 参考スコア（独自算出の注目度）: 1.2081808043723938
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate tree height estimation is vital for ecological monitoring and biomass assessment. We apply quantile regression to existing tree height estimation models based on satellite data to incorporate uncertainty quantification. Most current approaches for tree height estimation rely on point predictions, which limits their applicability in risk-sensitive scenarios. In this work, we show that, with minor modifications of a given prediction head, existing models can be adapted to provide statistically calibrated uncertainty estimates via quantile regression. Furthermore, we demonstrate how our results correlate with known challenges in remote sensing (e.g., terrain complexity, vegetation heterogeneity), indicating that the model is less confident in more challenging conditions.
- Abstract（参考訳）: 正確な樹高推定は生態モニタリングとバイオマス評価に不可欠である。
本研究では,衛星データに基づく既存の樹高推定モデルに適用し,不確かさの定量化を取り入れた。
樹高推定の現在のほとんどのアプローチは、リスクに敏感なシナリオにおける適用性を制限した点予測に依存している。
本研究は,与えられた予測ヘッドの微修正により,既存のモデルは,量子回帰による統計的に校正された不確実性推定に適応可能であることを示す。
さらに,我々の研究結果は,リモートセンシングにおける既知の課題(例えば,地形の複雑さ,植生の不均一性)とどのように相関するかを示す。
関連論文リスト
- Tree-Based Predictive Models for Noisy Input Data [0.0]
独立変数に測定誤差を直接組み込むBARTモデルの拡張である測定誤差BART(meBART)を提案する。
測定誤差が存在する場合、より正確なパラメータ推定、より堅牢な不確実性定量化、より優れた予測性能が可能であることを示す。
論文 参考訳（メタデータ） (2026-03-08T01:41:55Z) - Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。
Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。
しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。
我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
論文 参考訳（メタデータ） (2025-10-15T08:41:36Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Regression Trees Know Calculus [1.8130068086063336]
一般的な木学習ライブラリが公開する量を用いて効率的に計算できる勾配の簡単な推定値を求める。
これにより、ニューラルネットやガウシアンプロセスといった、微分可能なアルゴリズムのコンテキストで開発されたツールを、ツリーベースのモデルにデプロイすることができる。
論文 参考訳（メタデータ） (2024-05-22T17:14:03Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳（メタデータ） (2021-02-26T23:21:16Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-01-08T11:56:12Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳（メタデータ） (2020-01-08T23:20:23Z)
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。