論文の概要: Automated Quality Assessment of Geospatial Vector Data: A GeoAI Approach using Spatial Representation Learning
- arxiv url: http://arxiv.org/abs/2606.28390v1
- Date: Tue, 23 Jun 2026 09:41:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.54197
- Title: Automated Quality Assessment of Geospatial Vector Data: A GeoAI Approach using Spatial Representation Learning
- Title（参考訳）: 地理空間ベクトルデータの自動品質評価:空間表現学習を用いたジオAIアプローチ
- Abstract要約: Topo4Vecは、スケーラブルなベクトルデータ品質評価のためのGeoAIフレームワークである。
Topo4Vecは、トポロジカルエラーシミュレーションを通じて、労働集約的な手動アノテーションプロセスを緩和する。
次に、最先端のSRLアプローチを利用して、複素でネイティブなベクトル幾何学を潜在空間にエンコードする。
- 参考スコア（独自算出の注目度）: 14.779398001013659
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Geospatial vector data quality is a foundational research topic in GIS, yet classic rule-based quality assessment algorithms often struggle with diverse urban morphologies and massive data volumes. Recently, Geospatial Artificial Intelligence (GeoAI) shows promising potential for automating geospatial analysis, while its application to native vector data remains largely underexplored. To fill this research gap, we proposed Topo4Vec, an automated GeoAI framework, designed for scalable vector data quality assessment via advanced Spatial Representation Learning (SRL). Specifically, Topo4Vec relax the labor-intensive manual annotation process via topological error simulation, such as overlapping polygons and street network connectivity errors e.g., overshoots and undershoots. Then, it leverages state-of-the-art SRL approaches to encode complex, native vector geometries (e.g., polylines and polygons) into a latent space where topological errors are isolated from valid ones. A systematic performance evaluation across three study areas (Los Angeles, Munich, and Singapore) demonstrates the effectiveness and robustness of Topo4Vec, achieving a peak accuracy of 0.99 for detecting overlapping building footprints and 0.60 for overshoots and undershoots in street networks. Moreover, lessons learned from Topo4Vec shed a promising light into a scalable and autonomous GeoAI approach for large-scale vector data consistency and quality monitoring within the fast-growing geospatial data ecosystems. The code and data used in the paper are made openly available in https://figshare.com/s/612148eeb4bccadbd715.
- Abstract（参考訳）: 地理空間ベクトルデータ品質はGISにおける基礎研究のトピックであるが、古典的な規則に基づく品質評価アルゴリズムは、都市形態や膨大なデータ量に苦しむことが多い。
近年,GeoAI(Geospatial Artificial Intelligence)は地理空間解析の自動化に有望な可能性を示している。
この研究ギャップを埋めるために、我々は、高度空間表現学習(SRL)によるスケーラブルなベクトルデータ品質評価のために設計された自動GeoAIフレームワークであるTopo4Vecを提案した。
具体的には、ポリゴンの重複やストリートネットワーク接続エラー、オーバーシュート、アンダーシュートといったトポロジ的エラーシミュレーションを通じて、労働集約的な手動アノテーションプロセスを緩和する。
次に、最先端のSRLアプローチを利用して、複素でネイティブなベクトル幾何学(例えば、ポリライン、ポリゴン)を、位相誤差が有効な空間から分離される潜在空間に符号化する。
ロサンゼルス、ミュンヘン、シンガポールの3つの研究領域における系統的な性能評価は、Topo4Vecの有効性とロバスト性を示し、重なり合う建物のフットプリントを検知するための最大精度は0.99、ストリートネットワークにおけるオーバーシュートとアンダーシュートは0.60である。
さらに、Topo4Vecから学んだ教訓は、急速に成長する地理空間データエコシステム内の大規模なベクトルデータ一貫性と品質監視のために、スケーラブルで自律的なGeoAIアプローチに有望な光を当てた。
論文で使用されたコードとデータはhttps://figshare.com/s/612148eeb4bccadbd715で公開されている。
関連論文リスト
- GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。
従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文 参考訳（メタデータ） (2026-02-13T04:48:05Z) - GeoAnalystBench: A GeoAI benchmark for assessing large language models for spatial analysis workflow and code generation [32.22754624992446]
実世界の地理空間問題から派生したPythonベースのタスク50のベンチマークであるGeoAnalystBenchを紹介する。
このベンチマークを用いて、プロプライエタリモデルとオープンソースモデルの両方を評価します。
ChatGPT-4o-miniのようなプロプライエタリなモデルは95%の妥当性とより強力なコードアライメントを実現します。
論文 参考訳（メタデータ） (2025-09-07T00:51:57Z) - Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities [13.206124101350847]
署名された距離場(SDF)にインスパイアされた新しい手法であるGeo2Vecを導入し、元の空間で直接動作する。
SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。
実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。
論文 参考訳（メタデータ） (2025-08-26T07:12:28Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - DIGMAPPER: A Modular System for Automated Geologic Map Digitization [6.326773326196182]
地質図のデジタル化を自動化するために米国地質調査所(USGS)と共同で開発されたシステムであるDIGMAPPERについて述べる。
DIGMAPPERは、地図レイアウト分析、特徴抽出、ジオレファリングのための最先端のディープラーニングモデルを統合する、完全にDocker化されたワークフローオーケストレーションアーキテクチャを備えている。
DARPA-USGSデータセットからの100以上の注釈付き地図の評価は、ポリゴン、線、点特徴抽出において高い精度を示す。
論文 参考訳（メタデータ） (2025-06-19T03:51:47Z) - OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。
大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。
また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文 参考訳（メタデータ） (2025-02-19T14:21:25Z) - Self-Supervised Representation Learning for Geospatial Objects: A Survey [21.504978593542354]
自己教師付き学習(SSL)は、広範囲にラベル付けされた監督なしでデータから直接効果的で一般化可能な表現を学習できる能力に注目が集まっている。
本稿では,3種類の幾何学的ベクトルタイプ(ポイント,ポリライン,ポリゴン)において,地理空間オブジェクトに対して特別に適用または開発されたSSL技術について調査する。
地空間オブジェクトに対するSSLの出現傾向,特に地空間基盤モデルへの段階的な進歩について検討する。
論文 参考訳（メタデータ） (2024-08-22T05:28:22Z) - TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。
TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは7つのジオアウェアイメージ分類と10のジオアウェアイメージ回帰データセットを含む。
論文 参考訳（メタデータ） (2024-06-21T21:33:16Z) - 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) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z)
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。