利用遥感和机器学习对最不发达国家的暴露度与物理脆弱性动态进行全球制图
机器学习
2024-04-03 v1 计算机视觉与模式识别
摘要
随着世界进入《2015-2030年仙台减灾框架》的中期评估，许多国家仍因大规模调查暴露度和物理脆弱性分布成本高昂而难以监测其气候与灾害风险，因此在气候变化影响日益加剧的背景下未能有效降低风险。我们介绍了一项利用机器学习与公开可用的Sentinel-1 SAR GRD和Sentinel-2 Harmonized MSI时间序列遥感数据来绘制这一关键信息的持续努力。我们开发了包含47个国家（其中大部分为最不发达国家）的“OpenSendaiBench”基准，训练了ResNet-50深度学习模型，并以孟加拉国达卡地区为例，绘制了其非正规建筑的分布。作为随时间审计全球灾害风险的开创性工作，本文旨在推进大规模风险量化领域，为减少气候与灾害风险的长期集体努力提供信息。
引用
@article{arxiv.2404.01748,
title = {Global Mapping of Exposure and Physical Vulnerability Dynamics in Least Developed Countries using Remote Sensing and Machine Learning},
author = {Joshua Dimasaka and Christian Geiß and Emily So},
journal= {arXiv preprint arXiv:2404.01748},
year = {2024}
}
备注
This is the camera-ready paper for the accepted poster at the 2nd Machine Learning for Remote Sensing Workshop, 12th International Conference on Learning Representations (ICLR) in Vienna, Austria, on the 11th of May 2024. Access the poster here: https://zenodo.org/doi/10.5281/zenodo.10903886 Watch the video version of our poster here: https://youtu.be/N6ithJeCF4M