論文の概要: Lake Detection and Water Quality Estimation in Sentinel-2 Data

• arxiv url: http://arxiv.org/abs/2605.24515v1
• Date: Sat, 23 May 2026 10:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.150451
• Title: Lake Detection and Water Quality Estimation in Sentinel-2 Data
• Title（参考訳）: センチネル2データの湖沼検出と水質評価
• Authors: Iulia Pleşu, Alexandra Băicoianu, Ioana Cristina Plajer,
• Abstract要約: 水域の識別とモニタリングのための3つの異なる機械学習アーキテクチャを調査・比較する。 それらのパフォーマンスは、定量的メトリクスと実世界の例を通して評価される。 有意義な水質評価のための大きな課題は、スペクトル水指数の一貫性と解釈可能な可視化にある。
• 参考スコア（独自算出の注目度）: 42.17343824099138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With climate change and increasing human pressure on natural landscapes, inland water resources are becoming progressively scarcer, more vulnerable, and more difficult to manage sustainably. Reliable and automated methods for detecting, monitoring, and assessing surface water bodies are therefore of growing scientific and practical importance. In this paper, we investigate and compare three distinct machine learning architectures for water body identification and monitoring. Their performance is evaluated through quantitative metrics and real-world examples. Furthermore, a direct comparison with classical NDWI thresholding is conducted on a representative test image to highlight differences between data-driven and index-based approaches. This analysis allows us to identify the best-performing model in terms of accuracy, robustness, and practical applicability. Beyond detection, a major challenge for meaningful water quality assessment lies in the consistent and interpretable visualization of spectral water indices. Standard color mapping techniques are often inadequate or potentially misleading for environmental applications. To address this gap, we propose a suite of meaningful color schemes adapted for water quality indices, facilitating clearer interpretation, comparison, and decision-making for human users.
• Abstract（参考訳）: 気候変動と自然景観への人的圧力の増大により、内陸の水資源は徐々に不足し、より脆弱になり、持続的に管理することが困難になっている。 そのため、表面水体の検出、監視、評価のための信頼性と自動化の方法は、科学的・実践的な重要性を増している。 本稿では,水域の識別とモニタリングのための3つの異なる機械学習アーキテクチャについて検討・比較する。 それらのパフォーマンスは、定量的メトリクスと実世界の例を通して評価される。 さらに、データ駆動型アプローチとインデックスベースアプローチの違いを強調するために、代表テスト画像上で古典的NDWI閾値と直接比較を行う。 この分析により、精度、堅牢性、実用性の観点から最高の性能モデルを特定することができる。 検出以外にも、有意義な水質評価のための大きな課題は、スペクトル水指標の一貫性と解釈可能な可視化にある。 標準的なカラーマッピング技術は、環境応用には不十分か、あるいは誤解を招く可能性がある。 このギャップに対処するために,水質指標に適応した有意義なカラースキームのスイートを提案し,人間のユーザに対するより明確な解釈,比較,意思決定を容易にする。

関連論文リスト

• Self-organizing maps for water quality assessment in reservoirs and lakes: A systematic literature review [0.0]
  教師なしAI技術であるSOM(Self-Organizing Map)が水質評価に適用される。 SOMは多次元データを処理し、効果的な水管理を支援するために隠されたパターンを明らかにする。 本総説では, 生態系評価, 栄養状態分類, 藻類開花モニタリング, 捕食地域影響評価におけるSOMの多様性について概説する。
  論文  参考訳（メタデータ） (2025-12-20T18:48:33Z)
• HydroVision: Predicting Optically Active Parameters in Surface Water Using Computer Vision [0.4893896929103368]
  この研究は、光学活性な水質パラメータを推定する深層学習に基づくシーン分類フレームワークを導入する。 このモデルは、アメリカ地質調査所から収集された50万枚以上の季節変動画像に基づいて訓練されている。 DenseNet121は、CDOMの予測におけるR2スコア0.89という高いバリデーション性能を達成し、現実世界の水質モニタリングに対するフレームワークの約束を実証している。
  論文  参考訳（メタデータ） (2025-09-02T02:12:52Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Water quality polluted by total suspended solids classified within an Artificial Neural Network approach [0.0]
  懸濁液による水質汚染は、環境と健康に重大なリスクをもたらす。 これらの課題に対処するために, 全懸濁固体から水質の包括的データセットを活用するモデルを開発した。 畳み込みニューラルネットワークは, 異なる懸濁液濃度に対応するデータを用いて, 伝達学習手法で訓練された。
  論文  参考訳（メタデータ） (2024-10-19T01:33:08Z)
• Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
  本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。 車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。 ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
  論文  参考訳（メタデータ） (2024-10-08T10:35:32Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space [67.07476542850566]
  本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。 品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。 ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
  論文  参考訳（メタデータ） (2022-08-05T02:46:12Z)

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。