疾患リスクマッピングのための衛星画像と畳込みニューラルネットワークを用いた自律蚊生息地検出【JST・京大機械翻訳】

Elango Sriram; Ramachandran Nandini; Low Russanne

プレプリント

J-GLOBAL ID：202202208330071545 整理番号：22P0301113

疾患リスクマッピングのための衛星画像と畳込みニューラルネットワークを用いた自律蚊生息地検出【JST・京大機械翻訳】

Autonomous Mosquito Habitat Detection Using Satellite Imagery and Convolutional Neural Networks for Disease Risk Mapping

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月08日プレプリントサーバーでの情報更新日： 2022年03月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

Mosquitoesは,毎年百万以上の死亡を引き起こす疾患伝染のための既知のベクターである。大多数の自然蚊生息場所は,マクロスケールでの従来の地上ベース技術を用いて検出が困難な定在水を含む地域である。ドロン,UAV,および他の空中イメージング技術のような共用手法は,実装時に高価であり,より微細な空間スケールで最も正確であり,一方,提案した畳み込みニューラルネットワーク(CNN)アプローチは,疾患リスクマッピングのために適用でき,さらにグローバル規模での防止努力をガイドする。自律蚊生息地検出技術の性能を評価することによって,蚊媒介疾患の伝染は,費用対効果に優れた方法で防止できる。この手法は,概念の証明のために衛星画像に関するコンピュータビジョンを採用することによって,地上ベースの技術を使用して調査するのが難しい広範囲な地域における蚊の生息地の時空間分布を同定することを目的とする。本研究は,3つの異なるCNNモデルの評価と結果を提示し,大規模蚊生息場所を予測するそれらの精度を決定した。このアプローチでは,多様な地理的特徴を含むデータセットを構築した。池/湖,入口および河川のような大きな土地被覆変数を用いて,蚊の生息場所を分類したが,一方,微小地点は,より大きなスケールでより高い精度のために除外した。データセットを用いて,複数のCNNネットワークを訓練し,生息場所予測の精度を評価した。容易に利用可能な衛星画像に関するCNNベースの手法の利用は,ほとんどの空中イメージング技術とは異なり,費用対効果が高くスケーラブルである。試験は,YOLOv4が大規模な蚊の生息地を同定するための蚊の生息地検出においてより大きな精度を得たことを明らかにした。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

感染症・寄生虫症一般 , ウイルス感染の生理と病原性 , 公衆衛生

, , , , , , ,

前のページに戻る