論文の概要: Spatially explicit feature importance for building height estimation using research-access high-resolution SAR and optical sensors

• arxiv url: http://arxiv.org/abs/2608.17822v1
• Date: Tue, 18 Aug 2026 14:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.363832
• Title: Spatially explicit feature importance for building height estimation using research-access high-resolution SAR and optical sensors
• Title（参考訳）: 研究アクセス型高分解能SARと光学センサを用いた建物の高さ推定における空間的特徴の重要性
• Abstract要約: 本研究は, ブラジルの大都市における建築の高さを予測するために, 科学研究ライセンスのTerraSAR-X StripMapとPlanetScopeとSentinel-1を併用する。 局地的特徴の重要性は、低層建築物では足跡形状が支配的であり、高層建築物やより孤立した建築物では影由来の高さが支配的であり、セット内の最も高い建物ではスペクトル反射度が支配的であった。 結果は、グローバル機械学習やニューラルネットワークモデルでは提供できない、異なるコンテキストにおける衛星由来の予測製品関連に関するオプションガイダンスと洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate building height information at the individual footprint scale is essential for material stock accounting and post-disaster damage assessments yet remains difficult to obtain at city scale in the Global South where airborne LiDAR coverage is rare and commercial very high-resolution imagery is cost-prohibitive or unavailable. While recent works have demonstrated building height estimation using freely available Sentinel imagery, the resolution ceiling of resulting products is still coarse for material stock analysis. This study incorporates products derived from data freely accessible under scientific research licenses, TerraSAR-X StripMap and PlanetScope, alongside Sentinel-1 to predict building heights in a large city in Brazil. To account for the spatial autocorrelation in the training set, features from all sources are integrated in a geographically weighted random forest model, returning an RMSE of 5.34 m and R2 of 0.756 against a LiDAR reference dataset. Local feature importance showed predictor dominance to vary consistently across intra-urban contexts, with footprint geometry dominating for low-rise buildings, shadow-derived height for taller and more isolated structures, and spectral reflectance for the tallest buildings in the set. Sentinel-1 backscatter and InSAR occupy complementary spatial niches, with no single sensor uniformly preferable across the set. Results provide optioneering guidance and insight over satellite-derived products predictive relevance in distinct contexts, which global machine learning or neural network models cannot offer.
• Abstract（参考訳）: 大気中のLiDARのカバレッジは稀であり、商業的な高解像度画像はコストを抑えられない、あるいは利用できない都市部では、個々のフットプリントスケールでの正確な建築高情報は、材料備蓄や災害後の被害評価には不可欠である。 近年の研究では, 使用可能なセンチネル画像を用いた建物の高さ推定が実証されているが, 材料ストック分析では, 製品解像度の天井が粗いままである。 本研究は, ブラジルの大都市における建築の高さを予測するために, 科学研究ライセンスのTerraSAR-X StripMapとPlanetScopeとSentinel-1を併用する。 トレーニングセットにおける空間的自己相関を考慮し、すべてのソースの特徴を地理的に重み付けされたランダム森林モデルに統合し、LiDAR参照データセットに対してRMSEの5.34mとR2の0.756を返却する。 局所的な特徴として,低層建築物ではフットプリントが支配的であり,高層建築物では影から高層建築物では影から高層建築物では高層建築物では高層建築物では高層建築物では高層建築物ではスペクトル反射率が支配的であった。 センチネル-1の後方散乱器とInSARは相補的な空間ニッチを占有し、セット全体で一様に好まれるセンサは存在しない。 結果は、グローバル機械学習やニューラルネットワークモデルでは提供できない、異なるコンテキストにおける衛星由来の予測関連性に関するオプションガイダンスと洞察を提供する。

関連論文リスト

• Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence [0.0]
  RCHは、電波伝搬と干渉解析において重要なパラメータである。 オープンな地理空間データからRCHを予測するための、解釈可能な、グローバルにデプロイ可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T19:08:52Z)
• Monocular Building Height Estimation from PhiSat-2 Imagery: Dataset and Method [3.5218718367219335]
  我々は、PhiSat-2-Heightデータセット(PHDataset)を構築し、TSONet(Two-Stream Ordinal Network)を提案する。 TSONetはフットプリントのセグメンテーションと高さ推定を共同でモデル化し、フットプリントを意識した機能インタラクションと正規高精細化のためのクロスストリーム交換モジュール(CSEM)とFeature-Enhanced Bin Refinement(FEBR)モジュールを導入している。 PHDatasetの実験では、TSONetは最高性能を達成し、MAEとRMSEを13.2%、9.7%削減し、IoUとF1スコアを14.0%、F1スコアを10.1%改善した。
  論文  参考訳（メタデータ） (2026-03-31T04:14:57Z)
• Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection [48.120690574682875]
  本稿では,RGBを用いた幾何学的意味的再構成と,空中から地上への隠れ空間検査のためのトラベル可能性解析フレームワークを提案する。 テザリングされたUAV-UGVプラットフォームでの実験では、隠れた空間シナリオにおける信頼性の高いデプロイメントゾーンの識別が示されている。
  論文  参考訳（メタデータ） (2026-03-15T22:20:59Z)
• GroundSet: A Cadastral-Grounded Dataset for Spatial Understanding with Vector Data [2.2036462793273928]
  検証可能なカダストラルベクトルデータに基づく大規模データセットを提案する。 7つの空間的推論タスクにまたがる包括的インストラクションチューニングベンチマークにより、このリソースを検証する。 現在のRS特化および商用モデル(例:Gemini)がゼロショット設定に苦戦している一方で、高忠実度監視がこのギャップを効果的に橋渡ししていることを示す。
  論文  参考訳（メタデータ） (2026-03-15T21:11:40Z)
• SAR Object Detection with Self-Supervised Pretraining and Curriculum-Aware Sampling [41.24071764578782]
  衛星搭載合成開口レーダ画像における物体検出は、都市モニタリングや災害対応といったタスクにおいて大きな可能性を秘めている。 衛星搭載SAR画像における小さな物体の検出は、比較的低い空間分解能と固有のノイズのため、特に複雑な問題を引き起こす。 本稿では,SARオブジェクト検出モデルであるTransARを紹介する。
  論文  参考訳（メタデータ） (2025-04-17T19:44:05Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• Estimate the building height at a 10-meter resolution based on Sentinel data [5.080045077714947]
  本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。 これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。 時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
  論文  参考訳（メタデータ） (2024-05-02T03:53:59Z)
• 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)
• A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
  本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。 我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。 モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2023-07-03T22:16:17Z)
• 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)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)

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。