論文の概要: Using GeoAI and machine learning tools for consistent high-resolution land cover mapping based on time-series NAIP imagery

• arxiv url: http://arxiv.org/abs/2611.04470v1
• Date: Tue, 03 Nov 2026 07:58:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:57:25.014429
• Title: Using GeoAI and machine learning tools for consistent high-resolution land cover mapping based on time-series NAIP imagery
• Title（参考訳）: GeoAIと機械学習ツールを用いた時系列NAIP画像に基づく一貫した高解像度土地被覆マッピング
• Abstract要約: 高解像度の陸地地図は生態モニタリングをサポートするが、航空画像が年やセンサーによって異なるため、連続した歴史的時系列は残っていない。 本研究では,国家農業計画 (NAIP) の画像から時間的コヒーレントな1mの土地被覆マップを歴史的トレーニングサンプルなしで作成するための2トラックワークフローを開発した。
• 参考スコア（独自算出の注目度）: 10.010305177238214
• License:
• Abstract: High-resolution land-cover maps support ecological monitoring, but consistent historical time series remain scarce because aerial imagery varies across years and sensors. We developed a dual-track workflow to produce temporally coherent 1-m land-cover maps from National Agricultural Imagery Program (NAIP) imagery without historical training samples. For higher-quality imagery from 2009-2017, we used a pretrained U-Net/ResNet-34 model and refined boundaries with the Segment Anything Model (SAM). For lower-quality imagery from 2004-2008, we reconstructed land cover through an NLCD-based spatiotemporal bridging and label back-casting pipeline. Evaluation across six counties in North Carolina and Pennsylvania yielded overall accuracies of 0.887 (2014), 0.886 (2017), and 0.733 (2004). Structure, Water, Wetland, and Cropland consistently achieved high F1-scores. The workflow integrates GeoAI and multiple data sources to address temporal heterogeneity in historical aerial imagery, supporting high-resolution land-change analysis and landscape planning across the conterminous United States.
• Abstract（参考訳）: 高解像度の陸地地図は生態モニタリングをサポートするが、航空画像が年やセンサーによって異なるため、連続した歴史的時系列は残っていない。 そこで我々は,国家農業画像プログラム(NAIP)画像から時間的コヒーレントな1mの土地被覆マップを作成するための2トラックワークフローを構築した。 2009～2017年の高画質画像では、事前訓練されたU-Net/ResNet-34モデルとSegment Anything Model (SAM)との洗練された境界を用いた。 2004-2008年の低画質画像では,NLCDをベースとした時空間ブリッジとラベルバックキャスティングパイプラインを用いて土地被覆を再構築した。 ノースカロライナとペンシルベニア州の6郡で評価され、全体としては0.887 (2014), 0.886 (2017), 0.733 (2004) だった。 構造、水、ウェットランド、クロプランドは一貫して高いF1スコアを達成した。 このワークフローはGeoAIと複数のデータソースを統合し、歴史的空中画像の時間的不均一性に対処し、大陸横断の高解像度な土地変更分析とランドスケーププランニングをサポートする。

関連論文リスト

• LongEarth-R1: Benchmarking and Aligning Vision-Language Models for Long-Horizon Earth Observation Reasoning [63.001172313432114]
  ロングホライゾン地球観測推論は、多段階の地理的進化を組織化し、空間的変化を局所化し、時間的異常を検出し、拡張された画像列から未来を推測するモデルを必要とする。 我々は、明示的なシーケンス識別子と構造化されたチェーン・オブ・シントによる教師付き微調整によりLongEarthを開発する。 LongEarth-R1は、標準のリモートセンシングベンチマークで競争力を維持しながら、12のロングシーケンスタスクで最高の結果を得る。
  論文  参考訳（メタデータ） (2026-08-13T15:14:59Z)
• TIGeR: A Unified Framework for Time, Images and Geo-location Retrieval [47.16110829725784]
  時間・画像・位置情報検索のための統合フレームワークTIGeRを提案する。 基盤となる位置IDを保存することで、TIGeRは、シーンがキャプチャされた場所とタイミングに基づいて、検索を可能にする。 TIGeRは, 年率16%, 日時予測8%, 地時対応リコール14%において, 強いベースラインと最先端手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-25T19:20:48Z)
• Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
  テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。 マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。 Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
  論文  参考訳（メタデータ） (2025-11-28T09:52:44Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery [0.0]
  気候変動の台頭で、土地被覆マッピングは環境モニタリングにおいて緊急に必要となってきた。 本研究では,Unet,Linknet,FPN,PSPnetなどのセマンティックセグメンテーション手法を用いて植生や水などの分類を行った。 LinkNetモデルは、すべてのデータセットで0.92の精度でIoUで取得した。
  論文  参考訳（メタデータ） (2024-06-20T11:40:12Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach [10.72081512622396]
  本稿では,高分解能空中画像のケーススタディにより,提案した地理的隠れマルコフ木モデルを評価する。 2016年のハリケーン・マシューの洪水で、ノースカロライナ州グリムズランド市とキンストン市の近くで、3つのシーンが植林された洪水原で選ばれた。 その結果,提案した隠れマルコフ木モデルは,機械学習アルゴリズムのいくつかの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-25T18:35:28Z)

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。