世界

Floodplanet Datasetは、グローバルな浸水モニタリングを強化します

19のFloodplanetイベントの場所。 フェイエットビル、ジョージア州、アメリカ合衆国、2025年7月24日 / inpresswire.com/-新しい高解像度の洪水データセット、 Floodplanet、深い学習モデルのより正確なトレーニングを通じて、衛星ベースの洪水監視を強化しています。市販の衛星からの浸水データを手動でラベル付けし、パブリックセンサーの画像と整列させることにより、研究者は洪水検出の精度を最大15.6％改善しました。 洪水は、他の環境の危険よりも世界的に多くの人々に影響を与えますが、正確な監視は依然として課題です。パブリックサテライトセンサーは、しばしば限られた空間分解能、頻度を再検討する、または雲の干渉を受けます。商用衛星はより鋭い画像を提供しますが、そのコストと制限付きアクセスは幅広い使用法を妨げています。一方、深い学習には、モデルを効果的にトレーニングするために、大規模で高品質のデータセットが必要です。ほとんどの既存のデータセットは、モデルの精度を制限する粗いラベルを使用しています。ジオファウンドモデルと気候適応インフラストラクチャに関心が高まるにつれて、正確でアクセス可能な浸水データの必要性が差し迫っています。これらの課題により、衛星ベースの洪水検出と機械学習機能を進めるには、包括的な高解像度データセットが必要です。 アリゾナ大学の研究者とNASAやコロンビア大学を含む機関の協力者は、新しいグローバル洪水データセットがリリースされたFlashplanetを開発しました（doi： 10.34133/RemotesEnsing.0575）2025年5月15日、 Journal of Remote Sensing。データセットは、3メートルの解像度の商用画像から派生した手動注釈を提供することにより、衛星ベースの浸水監視の重要な制限に対処します。 Sentinel-1やSentinel-2などの公共センサーによる洪水検出を改善するように設計されたこの取り組みは、深い学習モデルをトレーニングするためのデータ品質を向上させ、より堅牢な災害対応システムの開発をサポートします。 この調査では、Flassplanetラベルで訓練されたモデルが、低解像度のパブリックデータセットでトレーニングされたものを大幅に上回ることがわかりました。たとえば、Floodplanetデータを使用すると、Sentinel-1画像を介して洪水検出を評価すると、交差点（IOU）スコアが最大15.6％改善されました。同じ洪水イベントでテストされた場合、Floodplanet-Trainedモデルは、特に多様なエコリージョンや複雑な地形で、より正確な洪水範囲マッピングを一貫して提供しました。データセットにより、パブリックセンサーは近くの競争の精度レベルを達成することができ、高価な衛星データへの継続的なアクセスを必要とせずにモデルパフォーマンスを向上させる費用対効果の高い方法を提供しました。このイノベーションは、この分野の重要なギャップに対処しています。公開されたリソースで高解像度のデータの利点を埋める方法です。 Floodplanetには、2017年から2020年までの19のグローバル洪水イベントの手動ラベル付き画像チップが含まれています。3メートルの解像度Planetscope画像を使用してラベルが作成され、Sentinel-1およびSentinel-2データが共同調整されました。チームは、休暇1地域の交差検証法を通じてモデルのパフォーマンスを評価し、公共および商業センサーでUNETベースのディープラーニングモデルをトレーニングしました。 Floodplanet Labelsでトレーニングされたモデルは、すべてのパフォーマンスメトリックで明確な利益を示しました。たとえば、Sentinel-1モデルはIOUスコアを0.52（NASAインパクト）から0.601に改善しましたが、Sentinel-2モデルでは0.571（S1F11）から0.624にジャンプしました。 PlanetScopeモデルは0.691の平均IOUを達成し、両方のパブリックセンサーよりも優れています。さらに、空間分析は、植生地域と沿岸地域でより良い結果を示し、スペクトルの混乱により乾燥ゾーンの性能が低下しました。調査では、制限された商業データをモデルトレーニングに統合することでパフォーマンスを劇的に向上させることができ、公共部門の機関とグローバルな研究者が大規模な洪水マッピングを改善するのに役立つことがわかりました。 「私たちの目標は、高解像度の洪水データをよりアクセスしやすくインパクトのあるものにすることでした」と、共著者のZhijie Zhang博士は述べています。 「リアルタイムの商用画像がなくても、Floodplanetラベルを備えた公開衛星モデルのトレーニングは、パフォーマンスのギャップを橋渡しします。これは、特にタイムリーで正確な情報が災害対応に不可欠な脆弱な地域で、グローバルな洪水監視のためのスケーラブルなソリューションです。」 研究チームは、大陸やエコリージョンを越えて多様な洪水イベントを選択することにより、Flashplanetをキュレーションしました。各イベントは、NASAのImageLabelerソフトウェアを使用して手動でラベル付けされた1,024×1,024ピクセルチップで表され、真の誤った複合材料を組み合わせて水を識別しました。モデルは、Planetscope、Sentinel-1、およびSentinel-2画像を使用して、空間解像度に合わせて調整されたSentinel-2画像を使用して、PytorchのUNETアーキテクチャを使用して訓練されました。パフォーマンスは、相互検証を使用して、目に見えない洪水イベント全体の一般化を確保するために、正確、リコール、F1スコア、およびIOUによって評価されました。 Floodplanetは、高品質のデータで洪水検出モデルをトレーニングするための新しい基準を設定しています。そのオープンアクセス形式により、世界中の研究者は、特に商業的な衛星アクセスによってサービスを受けていない地域で、より正確な洪水予測システムを開発することができます。データセットは、早期警告システム、緊急対応計画、気候適応戦略を通知することができます。地球観測の基礎モデルが進化するにつれて、Floodsplanetを統合すると、水文極端に関する洞察のロックをさらに解き、AI駆動型の環境監視ツールの開発を加速する可能性があります。 参照doi10.34133/RemotesEnsing.0575 元のソースURL 資金情報この作業は、NASA CSDAプログラム（賞番号80NSSC21K1163）によって資金提供されました。ルーシー・ワンBiodeSign研究ここからメールしてください 法的免責事項： あなたはちょうど読んだ： によって提供されたニュース 2025年7月24日、06：33 GMT Ein Presswireの優先事項は著者の透明性です。私たちは、虚偽の誤解を招くコンテンツを排除するために最善を尽くします。上記のコンテンツは、それを利用できるようにする著者の唯一の責任です。苦情がある場合は、上記の著者にご連絡ください。 #Floodplanet #Datasetはグローバルな浸水モニタリングを強化します