論文の概要: Deep Evidential Regression for Sparse Forest Height Estimation from Multimodal Satellite Imagery

• arxiv url: http://arxiv.org/abs/2608.06406v1
• Date: Mon, 03 Aug 2026 09:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.238634
• Title: Deep Evidential Regression for Sparse Forest Height Estimation from Multimodal Satellite Imagery
• Title（参考訳）: マルチモーダル衛星画像からの疎葉樹高推定のための深い証拠回帰
• Abstract要約: ディープ・エビデンシャル・レグレッション(DER)は、地球観測データから不確実性を考慮した森林構造推定のための効率的なフレームワークである。 DERは、決定論的U-Netに匹敵する予測性能を達成し、また、よく校正された不確実性推定を提供する。 これらの知見は,不確実性を考慮した森林構造推定のための効率的な枠組みとしての顕在的学習の可能性を示している。
• 参考スコア（独自算出の注目度）: 8.450481081455147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of forest height from satellite imagery is essential for applications such as carbon accounting, biodiversity monitoring, and ecosystem management. While recent deep learning approaches provide accurate predictions, they typically do not quantify predictive uncertainty. This limitation is particularly relevant in geospatial settings characterized by sparse supervision and geographic distribution shift. In this work, we investigate Deep Evidential Regression (DER) for forest height estimation on the TreeUQ benchmark, a large-scale dataset designed for the joint estimation of tree count and average tree height at 10 m resolution, based on Sentinel-1/-2 data as well as tree inventory data over the federal state of Bavaria. To account for the extreme label sparsity of the tree inventory data, we introduce a masked evidential loss for dense geospatial prediction. Using a U-Net architecture with multimodal Sentinel-1 and Sentinel-2 inputs, the proposed approach jointly predicts tree height and associated uncertainty estimates in a single forward pass. Experimental results show that DER achieves predictive performance comparable to a deterministic U-Net while additionally providing well-calibrated uncertainty estimates. These findings demonstrate the potential of evidential learning as an efficient framework for uncertainty-aware forest structure estimation from Earth observation data.
• Abstract（参考訳）: 衛星画像からの森林高度の正確な推定は、炭素会計、生物多様性モニタリング、生態系管理などの応用に不可欠である。 最近のディープラーニングアプローチは正確な予測を提供するが、予測の不確実性を定量化しないのが一般的である。 この制限は、地理空間的な設定において特に重要であり、緩やかな監督と地理的分布シフトが特徴である。 本研究では,木数と平均樹高を10m分解能で同時推定する大規模データセットであるTreeUQベンチマークを用いた森林高度推定のためのDep Evidential Regression(DER)と,バイエルン州における樹木在庫データをもとに検討を行った。 樹木在庫データの極端なラベル空間性を考慮するため,密接な地理空間予測のためのマスク付き明らかな損失を導入する。 マルチモーダルなSentinel-1とSentinel-2入力を持つU-Netアーキテクチャを用いて,木の高さとそれに伴う不確実性の推定を1つの前方パスで共同で予測する。 実験の結果, DERは決定論的U-Netに匹敵する予測性能を達成し, 精度の高い不確実性推定も提供することがわかった。 これらの結果は、地球観測データから不確実性を考慮した森林構造推定のための効率的な枠組みとして、明らかな学習の可能性を示している。

関連論文リスト

• Uncertainty Quantification for EO Regression Tasks: Building Height, Tree Canopy Height and Above-ground Biomass Estimation [1.7205106391379026]
  ほとんどのディープラーニングモデルは決定論的予測しか生成せず、画素ごとの信頼性を示すものではない。 i)ガウス的仮定の下で平均偏差と標準偏差を共同で予測するガウス的UCと、(ii)非対称およびヘテロセダスティックな誤差分布を捉えるために10位、50位、90位を推定するQuantile UCの2つの相補的なアプローチを提案する。 結果は、どちらのアプローチも決定論的ベンチマークや既存のグローバル製品と一致しているか、あるいは超越しているかを示し、十分に校正され、解釈可能で、運用上有用な信頼推定を提供する。
  論文  参考訳（メタデータ） (2026-07-13T11:18:10Z)
• Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
  Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。 衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
  論文  参考訳（メタデータ） (2026-07-08T18:14:24Z)
• Learn from your own latents and not from tokens: A sample-complexity theory [53.5821824211418]
  本研究では,関連するビューやマスキング領域の潜在表現を予測するために訓練されたネットワークについて検討する。 潜在予測は、対数的要因まで、多くのサンプルを$L$で表すことでこれを達成できることを示す。 これは、H-JEPAのような明示的な積み重ねがほとんど冗長であることを示している。
  論文  参考訳（メタデータ） (2026-05-26T22:16:42Z)
• Canopy Tree Height Estimation Using Quantile Regression: Modeling and Evaluating Uncertainty in Remote Sensing [1.2081808043723938]
  本研究では,衛星データに基づく既存の樹高推定モデルに適用し,不確かさの定量化を取り入れた。 結果は、リモートセンシングにおける既知の課題と相関し、モデルがより困難な状況において自信を欠いていることを示している。
  論文  参考訳（メタデータ） (2026-04-08T12:05:13Z)
• Learning Order Forest for Qualitative-Attribute Data Clustering [52.612779710298526]
  本稿では,属性内定性値間の局所的な順序関係を柔軟に表現する木のような距離構造を探索する。 より適切な木構造とクラスタを反復的に獲得するために,共同学習機構を提案する。 実験により、共同学習は森林をクラスタリングタスクに適応させ、正確な結果を得ることを示した。
  論文  参考訳（メタデータ） (2026-03-03T07:49:50Z)
• Forest tree species classification and entropy-derived uncertainty mapping using extreme gradient boosting and Sentinel-1/2 data [6.334209619488757]
  本研究は,スウェーデンの森林において,画素レベルの不確実性推定を伴う新しい10mの樹種マップを提示する。 木種分類は、Sentinel-1とSentinel-2の衛星データから得られた測定値と、スウェーデン国立森林調査所の観測値に基づいている。
  論文  参考訳（メタデータ） (2025-09-22T12:01:49Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Tree Detection and Diameter Estimation Based on Deep Learning [0.0]
  樹木認識は、自律的な林業活動に向けた重要なビルディングブロックである。 データセットでトレーニングされたディープニューラルネットワークモデルは、木検出の精度90.4%を達成する。 結果は、自律的な倒木作戦への有望な道を提供する。
  論文  参考訳（メタデータ） (2022-10-31T15:51:32Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)

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。