論文の概要: Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration

• arxiv url: http://arxiv.org/abs/2608.11638v1
• Date: Wed, 12 Aug 2026 04:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.449509
• Title: Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration
• Title（参考訳）: 疎場校正による多センサデータを用いた移動可能面積バイオマス(AGB)推定モデル
• Abstract要約: 本稿では,グローバルに訓練された1つの畳み込みニューラルネットワーク(CNN)を中心とした運用フレームワークを提案する。 このフレームワークは、局所的なプロットを少数の局所的に適用し、各領域における大域的予測と基底的真理を一致させるスケール・アンド・バイアス補正に適合させる。 ホールドアウト検証では,地球規模のGEDIモデルでR2は約0.78,RMSEは約22Mg/haを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatially continuous quantification of forest above-ground biomass (AGB) is what makes carbon accounting credible and mitigation strategies actionable. While field inventories provide high localized accuracy, they are spatially sparse; conversely, spaceborne LiDAR from the Global Ecosystem Dynamics Investigation (GEDI) offers broad biomass samples but lacks spatial continuity and systematic underestimation of high-biomass forests. This paper presents an operational framework centered on a single globally trained convolutional neural network (CNN) that is seamlessly adapted to each new landscape through a lightweight empirical field-calibration workflow. The global model combines optical (Sentinel-2), C-band SAR (Sentinel-1), L-band SAR (ALOS-2 PALSAR-2), and terrain (DEM) data. It is trained once against GEDI Level-4A biomass reference data spanning multiple regions and both wet and dry seasons so that it learns the persistent woody-structure rather than a single-date appearance. To avoid retraining for every landscape, the framework applies a small number of local field plots to fit a scale-and-bias correction that aligns the global prediction with ground truth in each region. The pipeline harmonizes sensor data onto a shared 10 m grid, derives vegetation indices and polarimetric ratios, computes per-band normalization stats, and trains the CNN with a hybrid log-domain SmoothL1 with RMSE loss for skewed biomass distribution. On held-out validation the global GEDI-based model achieved R^2 approximately 0.78 and RMSE approximately 22 Mg/ha. A subsequent field calibration combining Random Forest fine-tuning under a 10-fold cross-validation eliminates localized regional biases. This improves local validation performance to R^2 approximately 0.82 and reduces RMSE to approximately 15 Mg/ha, outperforming both the uncalibrated global model and the ESA CCI Biomass product against field plots.
• Abstract（参考訳）: 森林表層バイオマス (AGB) の空間的連続定量化は, 炭素収支の信頼性と緩和戦略を作用させるものである。 逆に、地球生態系動態調査(GEDI)の宇宙飛行型LiDARは広いバイオマスサンプルを提供するが、空間的連続性や高バイオマス林の体系的過小評価には欠ける。 本稿では,グローバルにトレーニングされた1つの畳み込みニューラルネットワーク(CNN)を中心とした運用フレームワークを提案する。 グローバルモデルは光学(センチネル-2)、CバンドSAR(センチネル-1)、LバンドSAR(ALOS-2 PALSAR-2)、地形(DEM)データを組み合わせている。 複数の地域にまたがるGEDI Level-4Aバイオマス基準データと、湿った季節と乾いた季節にまたがるバイオマス基準データから、単一の時代遅れの出現ではなく、永続的な木質構造を学ぶようにトレーニングされた。 全ての風景に対する再訓練を避けるため、このフレームワークは少数の局所的なプロットを適用して、各領域における世界的予測と地上の真実とを一致させるスケール・アンド・バイアス補正に適合させる。 このパイプラインは、センサデータを共有10mグリッドに調和させ、植生指標と偏光比を導出し、バンドごとの正規化統計データを計算し、スキュードバイオマス分布のためにRMSE損失のハイブリッドログドメインSmoothL1でCNNを訓練する。 ホールドアウト検証では,地球規模のGEDIモデルでR^2は約0.78,RMSEは約22Mg/haとなった。 その後の10倍のクロスバリデーションの下でランダムフォレスト微調整を組み合わせたフィールドキャリブレーションにより、局所的な地域バイアスは排除される。 これにより局所的なバリデーション性能が約0.82に向上し、RMSEを約15 Mg/haに削減し、未調整のグローバルモデルとESA CCIバイオマス製品の両方をフィールドプロットと比較した。

関連論文リスト

• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。 ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States [0.0]
  森林表層バイオマス(AGB)は、生態系の生産性と地球規模の炭素貯蔵の重要な指標である。 近年の地球観測基盤モデルは、多様なデータセットから導かれる地球空間のグローバルな表現を提供する。 AplphaEarth Foundation Modelによって生成されたGoogle Satellite Embeddings (GSE) を地域規模のAGB推定のために評価する。
  論文  参考訳（メタデータ） (2026-06-25T15:07:38Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• StruMPL: Multi-task Dense Regression under Disjoint Partial Supervision and MNAR Labels [0.25241093712112367]
  地球観測による森林表層バイオマス(AGB)の推定は、2つの構造的非互換なラベル源を組み合わせたものである。 我々はこれをMNARラベルとマルチタスク間物理的制約との不均一な解離部分監督の下でのマルチタスク密度回帰として定式化する。 我々は,損失を拘束しながらIPW重み付き定常点を回復するためには,共同最適化が必要であることを解析的かつ実証的に示す。
  論文  参考訳（メタデータ） (2026-05-19T14:51:12Z)
• Direct Estimation of Tree Volume and Aboveground Biomass Using Deep Regression with Synthetic Lidar Data [4.588276431770691]
  森林バイオマスの推定は, 炭素沈降のモニタリングと気候変動対策の実施に不可欠である。 既存の方法では、例えば幹の直径や高さといった測定可能な生体物理パラメータに関連付けて、個々の木のバイオマスを推定するアロメトリモデルに頼っていることが多い。 本研究では, 合成点雲データを用いて深部回帰ネットワークを学習し, 実点雲に適用し, プロットレベルの木材体積推定を行う手法を提案する。
  論文  参考訳（メタデータ） (2026-03-04T23:56:41Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
  我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。 提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。 実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
  論文  参考訳（メタデータ） (2026-01-29T15:58:07Z)
• FORMSpoT: A Decade of Tree-Level, Country-Scale Forest Monitoring [40.631100826517375]
  森林キャノピーの高さを1.5mの解像度で全国で10年(2014-2024年)にわたってマッピングしたFOMSpoT(Forest Mapping with SPOT Time series)を紹介した。 異種買収におけるロバストな変更検出を可能にするため、我々は専用の後処理パイプラインを開発した。 乱れが小さく空間的に断片化された山岳林では、FOMSpoT-$$はF1スコアが0.44で、既存のベンチマークよりも桁違いに高い。
  論文  参考訳（メタデータ） (2025-12-18T19:35:09Z)
• Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
  大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
  論文  参考訳（メタデータ） (2024-05-24T11:10:58Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
  温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。 ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。 我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
  論文  参考訳（メタデータ） (2022-05-17T17:53:50Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。