論文の概要: A global mobile network coverage raster product at 1km resolution, 1999--2030
- arxiv url: http://arxiv.org/abs/2609.11320v1
- Date: Thu, 10 Sep 2026 09:48:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.297668
- Title: A global mobile network coverage raster product at 1km resolution, 1999--2030
- Title（参考訳）: 1999年-2030年におけるグローバルモバイルネットワークカバレッジラスタ製品
- Abstract要約: 1999年から2030年までの214か国と領土の2G, 3G, 4Gの確率の年次1kmマップを提示する。
マップは、キャリブレーションされた機械学習モデル、ネットワークビルトアウトのテクノ・エコノミクスシミュレータ、空間深層学習モデルという3つの独立したモデルによって作成される。
- 参考スコア（独自算出の注目度）: 0.6466873138714592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Where a mobile signal is available shapes who can work, learn, bank, seek health care and respond to crises in the digital age, yet no globally consistent, sub-national record of mobile network coverage exists. We present such a record: annual 1km maps of the probability of 2G, 3G and 4G coverage for 214 countries and territories for the years 1999 to 2030. The maps are produced by three independent models: a calibrated machine-learning model, a techno-economic simulator of network build-out, and a spatial deep-learning model. The three estimates are then combined, per country and technology and in proportion to their measured accuracy, into a single best estimate with per-pixel 90% uncertainty bands; all four layers are released as part of the dataset. Because mobile roll-out closely follows a country's socio-economic conditions (population distribution, electrification, physical infrastructure), the models are grounded in existing geospatial data and tuned on 2,409 quality-screened operator-reported coverage maps, which are available up to 2020. For 2021--2024 the maps are predicted from recent geospatial data alone; for 2025--2030 they are extrapolated from demographic and infrastructure projections. On countries held out during training, the machine-learning model attains AUC 0.89--0.92. Baseline comparisons and the combined product's external validation are reported in Technical Validation. The dataset supports mapping the global digital divide, linking connectivity to household-survey outcomes, and humanitarian and infrastructure planning.
- Abstract（参考訳）: デジタル時代の危機に対処し、働き、学び、銀行、医療を求めることのできるモバイル信号が利用できるが、グローバルに一貫したサブ国家によるモバイルネットワークの報道記録は存在しない。
1999年から2030年までの214か国と領土の2G、3G、4Gの確率の年次1kmマップを提示する。
マップは、キャリブレーションされた機械学習モデル、ネットワークビルトアウトのテクノ・エコノミクスシミュレータ、空間深層学習モデルという3つの独立したモデルによって作成される。
3つの推定値は、国別と技術ごとに組み合わせられ、その測定精度に比例して、ピクセル毎の90%の不確実性帯域を持つ1つの最良の推定値に変換される。
モバイルのロールアウトは、国の社会経済的条件(人口分布、電化、物理的なインフラ)に密接に従っているため、これらのモデルは既存の地理空間データに基づいており、2020年までに利用可能となる2,409個の高品質のオペレーターがレポートしたカバレッジマップに基づいて調整されている。
2021-2024年、地図は最近の地理空間データだけで予測され、2025-2030年、人口統計学やインフラ予測から外挿される。
訓練中の国々では、機械学習モデルはAUC 0.89--0.92に達する。
ベースライン比較と組み合わせた製品の外部検証は、Technical Validationで報告されている。
このデータセットは、グローバルなデジタルディビジョンのマッピング、家庭用サーベイ結果との接続、人道的およびインフラ計画をサポートする。
関連論文リスト
- Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings [8.285606894669046]
我々は、自然言語クエリからこのエンドツーエンドワークフローを実行する自律型AIシステムであるPPE(Planetary Prediction Engine)を紹介する。
PPEはマルチモーダルデータセットをオンザフライで合成し、オープンウェブと地球観測プラットフォームにまたがる関連するco変数を検索する。
PPEは、最先端または手動で調整されたエキスパートベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-26T17:50:52Z) - Delineate Anything v2: A Global Foundation Model for Field Delineation [2.9595476100051896]
Delineate Anything v2は、広域フィールド境界のための、グローバルにスケーラブルな基盤モデルである。
本研究では、ゼロショット機能のための最先端ベンチマークを超えるフレームワークを構築する能力を実証する。
論文 参考訳（メタデータ） (2026-07-21T12:59:45Z) - Geographic Diversity Beats Data Volume for Cross-Domain Generalization in Zero-Label JEPA Driving World Models [0.0]
自己監督型潜在世界モデルは、人間のラベルなしでの運転シナリオにサプライズスコアを割り当てることができる。
このようなモデルは、ある地理的領域からのデータ駆動を訓練して、その複雑さの概念を、目に見えない都市やセンサの構成に一般化できるかどうかを考察する。
地理的に多様なデータに基づいてトレーニングされたモデルは、同じ量のシングルジオグラフィーデータでトレーニングされたモデルよりも大幅に一般化されていることがわかった。
論文 参考訳（メタデータ） (2026-07-05T20:58:16Z) - The changing surface of the world's roads [32.14871251678551]
我々は,920万kmの幹線道路において,道路舗装と幅のグローバルな多時的データセットを作成した。
惑星スケールでは、舗装の変化率が国の発達軌道の堅牢なプロキシであることを示す。
全国規模では、未舗装道路が経済的接続の脆弱なバックボーンをどのように構成しているかを定量化する。
論文 参考訳（メタデータ） (2025-11-17T11:38:43Z) - The NetMob25 Dataset: A High-resolution Multi-layered View of Individual Mobility in Greater Paris Region [64.30214722988666]
本稿では,提案したデータセットのサーベイ設計,収集プロトコル,処理手法,特徴について述べる。
データセットには、人口統計、社会経済、家庭の特徴を記述した個人データベース(i)、タイムスタンプ、輸送モード、旅行目的を含む8,000以上の注釈付き変位を持つトリプスデータベース(ii)、約5億の高周波ポイントからなるRaw GPSトレースデータベース(iii)の3つのコンポーネントが含まれている。
論文 参考訳（メタデータ） (2025-06-06T09:22:21Z) - Bridging the Data Provenance Gap Across Text, Speech and Video [67.72097952282262]
我々は、人気テキスト、音声、ビデオデータセットのモダリティにまたがって、最大かつ第1級の経時的監査を行う。
私たちの手動分析では、1990年から2024年の間に、608言語、798のソース、659の組織、67の国で4000近い公開データセットをカバーしています。
マルチモーダル機械学習アプリケーションは、トレーニングセットのために、YouTubeのようなWebcrawled、synthetic、ソーシャルメディアプラットフォームに圧倒的に移行した。
論文 参考訳（メタデータ） (2024-12-19T01:30:19Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Evaluating the Role of Training Data Origin for Country-Scale Cropland Mapping in Data-Scarce Regions: A Case Study of Nigeria [0.6249768559720122]
重要な課題は、トレーニングデータの量、品質、およびターゲット領域への近接がモデルの性能にどのように影響するかを理解することである。
ナイジェリアでは、全国をカバーする1,827のラベル付きサンプルとGeowikiデータセットのサブセットを用いて、これを評価した。
その結果,局所データにより精度が0.246 (RF) と0.178 (LSTM) に向上した。
論文 参考訳（メタデータ） (2023-12-18T01:23:22Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文 参考訳（メタデータ） (2022-03-31T14:40:01Z) - 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。