論文の概要: Hybrid Machine Learning Model for Forest Height Estimation from TanDEM-X and Landsat Data

• arxiv url: http://arxiv.org/abs/2605.20997v1
• Date: Wed, 20 May 2026 10:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.624161
• Title: Hybrid Machine Learning Model for Forest Height Estimation from TanDEM-X and Landsat Data
• Title（参考訳）: TanDEM-Xとランドサットデータによる森林高度推定のためのハイブリッド機械学習モデル
• Authors: Islam Mansour, Ronny Haensch, Irena Hajnsek, Konstantinos Papathanassiou,
• Abstract要約: 森林タイプや構造を補完する情報を提供するために,光学ランドサットデータを用いた特徴空間の拡張を提案する。 この拡張モデルは、ガボンセ・ロペ国立公園のいくつかのTanDEM-X買収で適用され、検証されている。 その結果、RMSEは13.5%、MAEは16.6%削減された。
• 参考スコア（独自算出の注目度）: 4.549831511476248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating machine learning (ML) with physical models (PM) has emerged as a promising way of retrieving geophysical parameters from remote sensing data. In this context, a ML model for estimating forest height from TanDEM-X interferometric coherence measurements has recently been proposed, that constrains the learning process through a PM. While the features used for training and inversion where selected to ensure the physical consistency of the solutions, they could not resolve all height / structure and baseline / terrain slope ambiguities in the data. To improve this, the extension of the feature space with optical Landsat data is proposed able to provide complementary information on forest type or structure. The extended model is applied and validated on several TanDEM-X acquisitions over the Gabonese Lopé national park site and assessed against airborne LiDAR measurements. Results show a 13.5% reduction in RMSE and a 16.6% reduction in MAE compared to the original hybrid model, confirming the added value of multispectral inputs.
• Abstract（参考訳）: リモートセンシングデータから物理パラメータを検索する方法として,機械学習(ML)と物理モデル(PM)を統合した。 この文脈では、TandEM-X干渉干渉コヒーレンス測定から森林の高さを推定するMLモデルが最近提案され、PMを通して学習プロセスを制限している。 解の物理的整合性を確保するために選択されたトレーニングと逆転のために使用される特徴は、データ内の高さ/構造とベースライン/地形斜面の曖昧さをすべて解決することができなかった。 これを改善するために,光ランドサットデータによる特徴空間の拡張を提案し,森林タイプや構造を補完する情報を提供する。 拡張モデルは、ガボンセ・ロペ国立公園のいくつかのTanDEM-X買収に応用され、検証され、空中LiDAR測定に対して評価される。 その結果、RMSEは13.5%、MAEは16.6%減少し、マルチスペクトル入力の付加価値が確認された。

関連論文リスト

• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• 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)
• Hybrid AI-Physical Modeling for Penetration Bias Correction in X-band InSAR DEMs: A Greenland Case Study [1.4711955189581167]
  パラメトリック物理モデリングと機械学習を組み合わせた統合補正フレームワークを提案する。 TanDEM-Xデータを用いてグリーンランドの氷床実験を行った結果,提案したハイブリッドモデル補正はDEM誤差の平均偏差と標準偏差を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2025-04-11T18:24:22Z)
• 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)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Combining Parametric Land Surface Models with Machine Learning [0.8057006406834467]
  いくつかのAmeriFluxサイトで、ハイブリッド機械学習とプロセスベースモデリングのアプローチを提案し、評価した。 ハイブリッドモデルを用いて地球規模の陸地モデルを構築し, 現状を著しく上回る可能性を秘めている。
  論文  参考訳（メタデータ） (2020-02-14T17:50:33Z)

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。