論文の概要: Geospatial embeddings detect old-growth forests but buffered spatial validation narrows their advantage over Sentinel features
- arxiv url: http://arxiv.org/abs/2609.28194v1
- Date: Wed, 23 Sep 2026 14:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.064623
- Title: Geospatial embeddings detect old-growth forests but buffered spatial validation narrows their advantage over Sentinel features
- Title（参考訳）: 地理空間埋め込みは古生林を検知するが、緩衝された空間的検証はセンチネル特性に対する優位性を狭める
- Abstract要約: 我々はルーマニア南部カルパチアの211,893ヘクタールの古生林を地図化した。
我々は,高度信頼度と専門家インフォームド・レファレンス・ラベルを構築した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Old-growth forests develop over centuries under minimal anthropogenic disturbance, producing structurally complex and biodiverse stands. In Europe, protecting them requires mapping that is accurate for individual forest parcels yet deployable continent-wide. Geospatial foundation model (GFM) embeddings enable label-scarce land classification, but their value for old-growth detection remains unknown. Here, we map old-growth forests across 211,893 ha of Romania's Southern Carpathians, a beech-spruce landscape typical of the Alpine Biogeographic Region. We construct high-confidence, expert-informed reference labels for old-growth and non-old-growth parcels. We add AlphaEarth, TESSERA v2 and Sentinel-1/2 features to a common baseline of topographic and human-access predictors, then compare them under spatially blocked validation with and without 10 km train-test buffers to limit residual autocorrelation. With buffering, GFM and Sentinel-1/2 predictors increase precision-recall AUC by 0.21-0.25 [95% CIs: 0.15-0.34] relative to baseline, indicating spectral data contain a spatially robust old-growth signal. With a PR-AUC of 0.84 [0.79-0.88], TESSERA outperforms Sentinel-1/2 (+0.08 [+0.05 to +0.11]) and AlphaEarth (+0.08 [+0.04 to +0.12]) under unbuffered spatial validation. At a 10 km buffer, however, this advantage narrows to +0.04 [-0.01 to +0.11] and +0.03 [-0.04 to +0.10], intervals consistent with no difference. At 10 m resolution, convolutional neural networks add no benefit over pixel-based XGBoost. Comparisons with four national- and continental-scale products show the importance of non-old-growth labels, and reveal 81% agreement between our predictions and a field-calibrated map. We conclude that buffered spatial validation is vital when transferring old-growth detection models to unseen landscapes, and provide our labels and predictions for future work.
- Abstract（参考訳）: 古生林は、何世紀にもわたって人為的障害が最小限に抑えられ、構造的に複雑な生物多様性のスタンドを生み出している。
ヨーロッパでは、それらの保護には、大陸全体に展開可能な個々の森林区画の正確なマッピングが必要である。
地空間基盤モデル (GFM) の埋め込みにより, ラベル・スカース土地の分類が可能となったが, 古生長検出の意義は分かっていない。
ここでは,ルーマニア南部カルパチアの211,893ヘクタールの古生林をマッピングする。
我々は,高度信頼度と専門家インフォームド・レファレンス・ラベルを構築した。
AlphaEarth, TESSERA v2 および Sentinel-1/2 の機能を、地形予測と人間アクセス予測の共通ベースラインに追加し、空間的にブロックされた検証の下で、10km の列車試験バッファで比較し、残差の自己相関を制限する。
バッファリングにより、GFMとSentinel-1/2予測器はAUCの精度を0.21-0.25(95% CIs: 0.15-0.34)向上させ、スペクトルデータが空間的に堅牢な古い成長信号を含むことを示す。
PR-AUCは0.84[0.79-0.88]で、Sentinel-1/2(+0.08[+0.05〜+0.11])とAlphaEarth(+0.08[+0.04〜+0.12])を未バッファ空間検証で上回る。
しかし、10kmのバッファでは、この利点は+0.04 [-0.01 to +0.11] と +0.03 [-0.04 to +0.10] に狭くなり、差のない間隔に一致する。
10mの解像度では、畳み込みニューラルネットワークはピクセルベースのXGBoostに対して利益を与えない。
4つの国別・大陸規模の製品との比較では,非成長ラベルの重要性が示され,予測値とフィールドキャリブレーションマップとの間に81%の一致が認められた。
古生長検出モデルを未知の景観に移行する際には,バッファード空間検証が不可欠であると結論し,今後の作業のためにラベルと予測を提供する。
関連論文リスト
- NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections [41.99844472131922]
提案するNObSPは,予測を機能毎の明示的なコントリビューション関数と相互作用残差に分解するフレームワークである。
NobSPはトレーニングされたネットワークの線形最終層を利用して、サンプル空間における斜め投影を用いて二重カウントを削減する。
畳み込みネットワークでは、NObSP-CAMは1回のキャリブレーション後に後方通過なしでクラスアクティベーションマップを生成する。
論文 参考訳（メタデータ） (2026-09-15T20:40:44Z) - Deep Evidential Regression for Sparse Forest Height Estimation from Multimodal Satellite Imagery [8.450481081455147]
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。
論文 参考訳（メタデータ） (2026-08-03T09:46:14Z) - 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) - Continuous biome representations from Earth observation embeddings [0.0]
我々はClay v1.5衛星画像の埋め込みに線形分類器を装着し、分類図からバイオミーラベルを予測する。
ソフトマックス出力は、名前付きバイオメクラスに対応する次元を持つ連続確率ベクトルを生成する。
ブラジルの6つの生物群,130万の埋没地,および10,015の森林在庫計画を用いて,4,672種の植物種を対象に,このアプローチを評価した。
論文 参考訳（メタデータ） (2026-06-09T23:14:00Z) - A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - Below-ground Fungal Biodiversity Can be Monitored Using Self-Supervised Learning Satellite Features [0.0]
衛星画像に応用した自己教師型学習は,地下の根粒菌の豊かさを予測できることを示す。
本モデルでは,ヨーロッパとアジアに分布する12,000件のフィールドサンプルにおける種多様性の多様性の半分以上を説明できる。
これらの結果から、SSL衛星は、連続した高解像度の生物多様性マップにスパース観測を拡張できるスケーラブルなツールとして確立されている。
論文 参考訳（メタデータ） (2026-04-10T18:50:14Z) - 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) - Detection and Geographic Localization of Natural Objects in the Wild: A Case Study on Palms [10.342516627774438]
PRISM (Processing, Inference, and Mapping) は高密度熱帯林におけるヤシの検出と位置決定のための柔軟なパイプラインである。
まず,8,830個の箱と5,026個のヤシ中心点をアノテートした,エクアドル西部の21の生態学的に多様な場所に,UAV由来の大規模なオルソモザイクデータセットを構築した。
第2に、ゼロショットSAM2をセグメンテーションバックボーンとして統合し、効率と性能に基づいて複数の最先端物体検出器を評価し、第3に、信頼性スコアをIoUと整合させ、sを探索するキャリブレーション手法を適用した。
論文 参考訳（メタデータ） (2025-02-18T16:43:11Z) - 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) - 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) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z)
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。