論文の概要: Shifting from Discrete to Continuous Reference Data: QSM-Derived Horizontal Tree Biomass Distribution for Deep Learning Biomass Estimation
- arxiv url: http://arxiv.org/abs/2607.05260v1
- Date: Mon, 06 Jul 2026 16:08:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.233858
- Title: Shifting from Discrete to Continuous Reference Data: QSM-Derived Horizontal Tree Biomass Distribution for Deep Learning Biomass Estimation
- Title（参考訳）: 離散データから連続参照データへの移行:深層学習バイオマス推定のためのQSM誘導水平木バイオマス分布
- Abstract要約: 3種類のAGB基準型を用いて広葉樹林構造を模擬した3次元U-Netを訓練する。
100$m2$プロットの場合、HBD参照は相対根平均平方誤差(RRMSE)を16.84$pm$4.37 %、R2$0.22$pm$0.05でFIベースラインに対して増加させた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventional modeling approaches for LiDAR-based above-ground biomass (AGB) estimation rely on discrete plot-level inventory aggregates. This methodology introduces boundary-effect uncertainties that may severely degrade model performance within small field plots. To solve this limitation, we evaluate a Horizontal Biomass Distribution (HBD) reference mapped continuously from Quantitative Structure Models (QSMs). We trained a sparse 3D U-Net on simulated broadleaved forest structures using three AGB reference types: a standard forest inventory (FI) plot-level aggregate, an edge-effect-free QSM plot-level aggregate, and a continuous HBD mapping. Evaluating training plot sizes scaling from 100 to 2500 $m^2$ , QSM-based models systematically outperformed FI approaches at small plot sizes. Specifically, for 100 $m^2$ plots, the HBD reference reduced the relative root mean square error (RRMSE) by 16.84 $\pm$ 4.37 % and increased $R^2$ by 0.22 $\pm$ 0.05 against the FI baseline. By replacing plot level aggregates with HBDs as AGB reference, this methodology corrects for edge-effects and shows that using an HBD-based reference enhances model performance for small plot sizes.
- Abstract（参考訳）: LiDARに基づく地上バイオマス(AGB)推定の従来のモデリング手法は、離散的なプロットレベルの在庫集約に依存している。
この手法は、小さなフィールドプロット内のモデル性能を著しく劣化させる境界効果の不確実性を導入する。
この制限を解決するために、定量的構造モデル(QSM)から連続的にマッピングされた水平バイオマス分布(HBD)を評価した。
3つの基準型(標準森林在庫(FI)プロットレベルアグリゲーション、エッジエフェクトフリーQSMプロットレベルアグリゲーション、連続HBDマッピング)を用いて、広葉樹林を模擬した3次元U-Netを訓練した。
トレーニングプロットサイズを100から2500$m^2$までスケールし、QSMベースのモデルでは、小さなプロットサイズで系統的にFIアプローチより優れていた。
具体的には、100$m^2$プロットの場合、HBD参照は相対根平均平方誤差(RRMSE)を16.84$\pm$4.37 %削減し、FIベースラインに対してR^2$0.22$\pm$0.05増加した。
プロットレベルの集約をAGB参照としてHBDに置き換えることで、エッジ効果を補正し、HBDベースの参照を用いることで、小さなプロットサイズに対するモデル性能が向上することを示す。
関連論文リスト
- Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。
本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。
本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
論文 参考訳（メタデータ） (2026-07-05T09:45:18Z) - Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction [0.0]
既存のアプローチでは、手作りのコモーダルを古典的なMLとペアリングするか、豊富なスペクトルと時間情報を見逃す単一モードのディープモデルである。
本稿では,SpTGNNとグリッドベースアーキテクチャの両方に対処するマルチテンポラルグラフニューラルネットワークであるSpTG-NNを紹介する。
微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出する。
論文 参考訳（メタデータ） (2026-06-15T11:25:38Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - A Unified Graph-based Framework for Scalable 3D Tree Reconstruction and Non-Destructive Biomass Estimation from Point Clouds [8.821870725779071]
森林バイオマス (AGB) の推定は, 炭素貯蔵量の評価と持続可能な森林管理支援に不可欠である。
定量的構造モデル(QSM)は3次元木構造再構成によるAGB推定に対する非破壊的アプローチを提供する。
本研究では,大規模クラウドのエンドツーエンド処理を可能にする新しい統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-18T15:55:47Z) - GADS: A Super Lightweight Model for Head Pose Estimation [0.0]
Grouped Attention Deep Sets (GADS)はDeep Setフレームワークに基づいた新しいアーキテクチャである。
ランドマークを領域にグループ化することで、計算の複雑さを減らします。
私たちのモデルは7.5times$小さめで、現在の最も軽量な最先端モデルよりも25times$高速に実行されます。
論文 参考訳（メタデータ） (2025-04-22T09:53:25Z) - Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。
植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
論文 参考訳（メタデータ） (2024-02-01T03:39:01Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - $\texttt{FedBC}$: Calibrating Global and Local Models via Federated
Learning Beyond Consensus [66.62731854746856]
フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。
本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。
私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
論文 参考訳（メタデータ） (2022-06-22T02:42:04Z) - Contrastive Neighborhood Alignment [81.65103777329874]
本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。
対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。
CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
論文 参考訳（メタデータ） (2022-01-06T04:58:31Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Information Theoretic Limits of Exact Recovery in Sub-hypergraph Models
for Community Detection [29.266116605396814]
本研究では,コミュニティ検出のためのサブハイパーグラフモデルにおいて,正確な回復のための情報理論境界について検討する。
我々の限界は厳密であり、様々なモデルのコミュニティ検出問題に関係している。
論文 参考訳（メタデータ） (2021-01-29T02:50:34Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。