文献

J-GLOBAL ID：202202214337950973   整理番号：22A0913216

衛星高度測定と深層学習による内陸水位のモニタリング【JST・京大機械翻訳】

Monitoring of Inland Water Levels by Satellite Altimetry and Deep Learning

著者 (5件)： Nino Fernando (LEGOS, CNES, CNRS, IRD, UPS, Universite ́ de Toulouse, Toulouse, France) ,  Coggiola Clement (LEGOS, CNES, CNRS, IRD, UPS, Universite ́ de Toulouse, Toulouse, France) ,  Blumstein Denis (LEGOS, CNES, CNRS, IRD, UPS, Universite ́ de Toulouse, Toulouse, France) ,  Lasson Lea (LEGOS, CNES, CNRS, IRD, UPS, Universite ́ de Toulouse, Toulouse, France) ,  Calmant Stephane (LEGOS, CNES, CNRS, IRD, UPS, Universite ́ de Toulouse, Toulouse, France)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4205814.1-14  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層畳み込みニューラルネットワーク(NN)は画像処理に対する効率を証明し,画像分類のために日常的に使用されている。本論文では,レーダ測定を水距離に変換し,最終的に内陸水域の水位に変換する。使用した測定は,水体上の衛星搭載レーダ高度計信号の連続エコーである。正確な高度測定シミュレータによるフォワードモデリングを用いて,著者らは十分な量のレーダグラムを生成でき,水文学状況におけるレーダグラムから水位系列を得るために十分なNNを訓練できることを示した。本方法を,これらの水位時系列を,その幅が50mと4kmの間で変化する河川に関するin situ測定と比較することによって,選択した水体で実証した。これらの時系列とin situデータとの相関は,二乗平均平方根誤差(RMSE)が26と43cmの間で0.95以上であった。結果はまた,同じデータの重力(OCOG)/Ice-1再追跡時系列のオフセットセンターよりロバストであった。検証は,この自動法が,空間水文学コミュニティによって使用される最新の古典的再追跡者の状態によって提供される範囲から異常値を除去するための注意深く調整された手動法と同様に,一般的に機能することを示した。この新ツールは,高度測定から内陸水位を検索するための一般的で大域的で自動化された方法に向けた大きなステップである。この目標は,in situ測定の連続的減少数と,地球規模での適切な水資源管理の最も重要な重要性の文脈で特に重要である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 重力 ,  レーダ ,  自動化 ,  シミュレータ ,  分類 ,  *水位 ,  河川 ,  水文学 ,  画像処理 ,  異常値 ,  水域 ,  ロバスト性 ,  *内陸 ,  *機械学習
準シソーラス用語： 画像分類 ,  衛星搭載レーダ ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  湖沼学,河川学  (DC07050J)

タイトルに関連する用語 (6件)： 衛星 ,  高度測定 ,  深層学習 ,  内陸 ,  水位 ,  モニタリング