Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors

要約

ここ数十年で、気候変動の原因と結果は加速し、前例のない規模で地球に影響を与えています。
この変化は、人間が環境を変える方法と密接に関係しています。
私たちの行動が自然地域に影響を与え続けているため、衛星画像を使用してこれらの影響を観察および測定することは、気候変動を理解し、それに対処するために非常に重要になっています。
現代の人間の圧力の連続性に基づいて土地の自然性をマッピングすることを目指して、私たちは衛星データと当面のタスクに特有の課題に対処する、マルチモーダル教師あり深層学習フレームワークを開発しました。
私たちは、対応する座標情報と、予測される直近のパッチを含む、およびその周囲のより広範なコンテキスト情報によって表される、コンテキストおよび地理的な事前情報を組み込みます。
私たちのフレームワークは、マルチスペクトル光学衛星画像の一種である Sentinel-2 データから土地の自然性をマッピングする際のモデルの予測パフォーマンスを向上させます。
私たちの保護対策は、生態系についての理解と同じくらい効果があることを認識し、自然を定量化することは、環境管理を強化するための重要なステップとして機能します。

要約(オリジナル)

In recent decades, the causes and consequences of climate change have accelerated, affecting our planet on an unprecedented scale. This change is closely tied to the ways in which humans alter their surroundings. As our actions continue to impact natural areas, using satellite images to observe and measure these effects has become crucial for understanding and combating climate change. Aiming to map land naturalness on the continuum of modern human pressure, we have developed a multi-modal supervised deep learning framework that addresses the unique challenges of satellite data and the task at hand. We incorporate contextual and geographical priors, represented by corresponding coordinate information and broader contextual information, including and surrounding the immediate patch to be predicted. Our framework improves the model’s predictive performance in mapping land naturalness from Sentinel-2 data, a type of multi-spectral optical satellite imagery. Recognizing that our protective measures are only as effective as our understanding of the ecosystem, quantifying naturalness serves as a crucial step toward enhancing our environmental stewardship.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google