論文の概要: Miti360: A Comprehensive Dataset for Improved Reforestation Monitoring

• arxiv url: http://arxiv.org/abs/2606.29447v1
• Date: Sun, 28 Jun 2026 15:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.916203
• Title: Miti360: A Comprehensive Dataset for Improved Reforestation Monitoring
• Title（参考訳）: Miti360: 森林モニタリング改善のための総合データセット
• Abstract要約: Miti360はケニアの森林監視のための包括的なデータセットである。 高解像度画像、地上真実データ、および長手気象データを含む。 Miti360は、樹木の国勢調査を加速するなどのタスクのための機械学習システムのトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, interest in applying machine learning (ML) to automate forest monitoring has grown significantly. However, existing training datasets are predominantly drawn from North America, Europe, Asia, and Australia, leaving a critical gap in African forestry data. To address this limited geographic diversity, we present Miti360, a comprehensive dataset for reforestation monitoring that comprises high-resolution imagery, ground truth data, and longitudinal weather data. Data collection occurred within a 770-ha reforested section of the Kieni Forest in Kenya between March 2023 and February 2025. Miti360 comprises aerial photos (orthophotos and tiles) with tree bounding box annotations, terrestrial images (single and stereo), and detailed data records including tree biophysical parameters, species, and GPS coordinates, alongside historical weather data. Aerial surveys utilized a DJI Mavic 2 Pro, with imagery stitched via Agisoft Metashape and tiled using ArcGIS Pro, while terrestrial captures used smartphones and custom stereo cameras. Miti360 enables the training of ML systems for tasks such as accelerating tree censuses, matching species to geographical areas, modelling growth based on weather conditions, and developing digital twin frameworks. Models can be trained on Miti360 to address challenges specific to Sub-Saharan Africa, ultimately advancing reforestation monitoring and fostering sustainable forestry practices in underrepresented regions. We demonstrate the utility of this dataset by successfully tracking tree crowns across three years and improving the DeepForest model's box precision and box recall by 12% and 69% respectively through fine-tuning on Miti360.
• Abstract（参考訳）: 過去10年間で、森林モニタリングの自動化に機械学習(ML)を適用することへの関心は著しく高まっている。 しかし、既存のトレーニングデータセットは主に北アメリカ、ヨーロッパ、アジア、オーストラリアから作成されており、アフリカの林業データに重大なギャップを残している。 この限られた地理的多様性に対処するため、高解像度画像、地上真実データ、長手気象データを含む森林監視のための総合的なデータセットであるMiti360を提示する。 2023年3月から2025年2月にかけて、ケニアのキエニ林の770haの再植林地帯でデータ収集が行われた。 Miti360は、ツリーバウンディングボックスアノテーション、地上画像(シングルとステレオ)、樹木の生物物理パラメータ、種、GPS座標を含む詳細なデータ記録を含む空中写真(オルソフォトスとタイル)と、歴史的な気象データで構成されている。 航空調査ではDJI Mavic 2 Proを使用し、画像はAgisoft Metashapeで撮影され、ArcGIS Proで撮影され、地上撮影ではスマートフォンとカスタムステレオカメラが使用された。 Miti360は、樹木の国勢調査の加速、種と地理的な地域とのマッチング、気象条件に基づく成長のモデル化、デジタルツインフレームワークの開発などのタスクのためのMLシステムのトレーニングを可能にする。 モデルは、サハラ以南のアフリカに特有の課題に対処するため、Miti360でトレーニングすることができ、最終的に森林再植林監視を推進し、表現不足の地域で持続可能な林業の実践を促進する。 3年間にわたってツリークラウンの追跡に成功し,Miti360の微調整により,DeepForestモデルのボックス精度とボックスリコールをそれぞれ12%,69%向上させることで,このデータセットの有用性を実証した。

関連論文リスト

• AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World [75.54693105865003]
  AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。 AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
  論文  参考訳（メタデータ） (2026-06-29T02:48:47Z)
• Viking Hill Dataset: A Lidar-Radar-Camera Dataset for Detection and Segmentation in Forest Scenes [19.50568056035419]
  我々は,高分解能FMCWイメージングレーダ,ライダー,RGBカメラ,IMU,RTK-GNSSを備えた移動ロボットによって収集されたマルチセンサフォレストデータセットを紹介する。 我々はMinkowskiUNetを用いたレーダーとライダー点雲のセマンティックセグメンテーションのためのベースライン結果を提供する。 クロスモダリティ解析ではライダーとレーダトランクのセグメンテーションをRGB検出モデルと比較し、直径成層評価により、トランクセグメンテーションの品質が木の大きさによってどのように変化するかを明らかにする。
  論文  参考訳（メタデータ） (2026-06-17T14:58:00Z)
• Bringing SAM to new heights: Leveraging elevation data for tree crown segmentation from drone imagery [68.69685477556682]
  現在のモニタリング手法には、大規模なコスト、時間、労力を必要とする地上計測が含まれる。 ドローンのリモートセンシングとコンピュータビジョンは、広範囲の航空画像から個々の木をマッピングする大きな可能性を秘めている。 高解像度ドローン画像におけるツリークラウンインスタンスの自動セグメンテーションのためのセグメンテーションモデル(SAM)を用いた手法の比較を行った。 また,デジタルサーフェスモデル(DSM)情報を用いたモデルへの標高データの統合についても検討した。
  論文  参考訳（メタデータ） (2025-06-05T12:43:11Z)
• OAM-TCD: A globally diverse dataset of high-resolution tree cover maps [8.336960607169175]
  OpenMap (OAM) から得られた高解像度の空中画像において, ツリークラウンデライン化(TCD)のための新しいオープンアクセスデータセットを提案する。 我々のデータセットであるOAM-TCDは、50722048x2048px画像を10cm/px解像度で、関連する280k個以上の木と56k個の木からなる。 データセットを使用して、既存の最先端モデルと比較する参照インスタンスとセマンティックセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-07-16T14:11:29Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France [0.0]
  本研究は、森林パラメータの局所マップを作成するために以前開発された機械学習アプローチを用いている。 我々はGEDI Lidarミッションを基準高度データとして,Sentinel-1,Sentinel-2,ALOS-2 PALSA-2の衛星画像を用いて森林高度を推定した。 高さマップは、アロメトリック方程式を用いて体積と地上のバイオマス(AGB)に導かれる。
  論文  参考訳（メタデータ） (2023-10-23T07:58:49Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Argoverse 2: Next Generation Datasets for Self-Driving Perception and Forecasting [64.7364925689825]
  Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。 Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。 Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
  論文  参考訳（メタデータ） (2023-01-02T00:36:22Z)
• High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
  マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。 モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。 針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
  論文  参考訳（メタデータ） (2022-12-20T14:14:37Z)

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。