JPWO2021079210A5 - - Google Patents

Download PDF

Info

Publication number
JPWO2021079210A5
JPWO2021079210A5 JP2022522622A JP2022522622A JPWO2021079210A5 JP WO2021079210 A5 JPWO2021079210 A5 JP WO2021079210A5 JP 2022522622 A JP2022522622 A JP 2022522622A JP 2022522622 A JP2022522622 A JP 2022522622A JP WO2021079210 A5 JPWO2021079210 A5 JP WO2021079210A5
Authority
JP
Japan
Prior art keywords
vegetation
training data
weather event
data region
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022522622A
Other languages
English (en)
Other versions
JP2022552369A (ja
Publication date
Priority claimed from US16/658,533 external-priority patent/US11436712B2/en
Application filed filed Critical
Publication of JP2022552369A publication Critical patent/JP2022552369A/ja
Publication of JPWO2021079210A5 publication Critical patent/JPWO2021079210A5/ja
Pending legal-status Critical Current

Links

Claims (20)

  1. コンピュータが実行する、植生を管理する方法であって、
    気象事象以前のトレーニング・データ領域の画像、前記気象事象以降の前記トレーニング・データ領域の画像、および前記気象事象に関する情報に基づいて機械学習モデルをトレーニングすることと、
    第2の領域の画像および前記第2の領域についての予測された気象情報に基づいて、前記トレーニングされた機械学習モデルを用いて前記第2の領域についてのリスク・スコアを生成することと、
    前記リスク・スコアが前記第2の領域内の高リスク植生を示すことを決定することと、
    前記第2の領域内の植生のリスクを減少させるように補正措置を実行することと、を含む、方法。
  2. 前記機械学習モデルをトレーニングすることは、前記気象事象以前の前記トレーニング・データ領域の前記画像と前記気象事象以降の前記トレーニング・データ領域の前記画像との間の差を決定することを含む、請求項1に記載の方法。
  3. 前記機械学習モデルをトレーニングすることは、トレーニング中にラベルとして使用するために、第1のタイプのサンプルとして前記トレーニング・データ領域の変更された部分を特定すること、および第2のタイプのサンプルとして前記トレーニング・データ領域の変更されていない部分を特定することをさらに含む、請求項1または2に記載の方法。
  4. 前記機械学習モデルをトレーニングすることは、前記気象事象以前の前記トレーニング・データ領域の前記画像内および前記気象事象以降の前記トレーニング・データ領域の前記画像内の植生を特定することをさらに含む、請求項1から3のいずれか一項に記載の方法。
  5. 画像内の植生を特定することは、光検出と測距(LIDAR)情報の局所最小モデルと局所最大モデルを比較することを含む、請求項4に記載の方法。
  6. 画像内の植生を特定することは、前記局所最小モデルと前記局所最大モデルの間の差が閾値を上回る前記画像の部分に植生が存在することを決定することをさらに含む、請求項5に記載の方法。
  7. 前記機械学習モデルをトレーニングすることは、前記トレーニング・データ領域内の人造構造を特定することをさらに含む、請求項1から6のいずれか一項に記載の方法。
  8. 画像内の人造構造を特定することは、局所最小モデルおよび局所最大モデルと標高モデルを比較することを含む、請求項7に記載の方法。
  9. 画像内の人造構造を特定することは、前記トレーニング・データ領域の一部であって、前記局所最小モデルおよび前記局所最大モデルは合致するが、いずれも前記標高モデルとは異なる前記一部に人造構造が存在することを決定することをさらに含む、請求項8に記載の方法。
  10. 前記補正措置は、人造構造への植生損傷のリスクを最小にするように植生除去についての推奨を生成することを含む、請求項1から9のいずれか一項に記載の方法。
  11. 植生を管理する方法であって、
    気象事象以前のトレーニング・データ領域の画像と、前記気象事象以降の前記トレーニング・データ領域の画像と、前記気象事象に関する情報であって、前記気象事象以前の前記トレーニング・データ領域の前記画像に示された植生および前記気象事象以降の前記トレーニング・データ領域の前記画像に示された植生の間の差を含む前記情報と、に基づいて機械学習モデルをトレーニングすることと、
    第2の領域の画像および前記第2の領域についての予測された気象情報に基づいて、前記トレーニングされた機械学習モデルを用いて前記第2の領域についてのリスク・スコアを生成することと、
    前記リスク・スコアが前記第2の領域内の高リスク植生を示すことを決定することと、
    前記第2の領域内の植生のリスクを減少させるように補正措置を実行することと、を含む、方法。
  12. コンピュータに、請求項1から11のいずれか一項に記載の方法における各ステップを実行させる、コンピュータ・プログラム。
  13. 植生を管理するシステムであって、
    気象事象以前のトレーニング・データ領域の画像、前記気象事象以降の前記トレーニング・データ領域の画像、および前記気象事象に関する情報に基づいて機械学習モデルをトレーニングするように構成されたモデル・トレーナと、
    第2の領域についてのリスク・スコアを生成するように構成された植生マネージャであって、前記リスク・スコアが前記第2の領域内の高リスク植生を示すことを決定するように、および前記第2の領域内の植生のリスクを減少させるために補正措置をトリガするように、前記第2の領域の画像および前記第2の領域についての予測された気象情報に基づいて、前記トレーニングされた機械学習モデルを用いて第2の領域についてのリスク・スコアを生成するように構成された、前記植生マネージャと、を備えるシステム。
  14. 前記モデル・トレーナは、前記気象事象以前の前記トレーニング・データ領域の前記画像と前記気象事象以降の前記トレーニング・データ領域の前記画像との間の差を決定するようにさらに構成される、請求項13に記載のシステム。
  15. 前記モデル・トレーナは、トレーニング中にラベルとして使用するために、第1のタイプのサンプルとして前記トレーニング・データ領域の変更された部分を特定し、第2のタイプのサンプルとして前記トレーニング・データ領域の変更されていない部分を特定するようにさらに構成されている、請求項13または14に記載のシステム。
  16. 前記モデル・トレーナは、前記気象事象以前の前記トレーニング・データ領域の前記画像内および前記気象事象以降の前記トレーニング・データ領域の前記画像内の植生を特定するようにさらに構成される、請求項13から15のいずれか一項に記載のシステム。
  17. 前記モデル・トレーナは、光検出と測距(LIDAR)情報の局所最小モデルと局所最大モデルを比較するようにさらに構成される、請求項16に記載のシステム。
  18. 前記モデル・トレーナは、前記局所最小モデルと前記局所最大モデルの間の差が閾値を上回る前記画像の部分に植生が存在することを決定するようにさらに構成される、請求項17に記載のシステム。
  19. 前記モデル・トレーナは、前記トレーニング・データ領域内の人造構造を特定するようにさらに構成される、請求項13から18のいずれか一項に記載のシステム。
  20. 前記モデル・トレーナは、局所最小モデルおよび局所最大モデルと標高モデルを比較するようにさらに構成される、請求項19に記載のシステム。
JP2022522622A 2019-10-21 2020-09-24 植生状態の予測および補正 Pending JP2022552369A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/658,533 US11436712B2 (en) 2019-10-21 2019-10-21 Predicting and correcting vegetation state
US16/658,533 2019-10-21
PCT/IB2020/058917 WO2021079210A1 (en) 2019-10-21 2020-09-24 Predicting and correcting vegetation state

Publications (2)

Publication Number Publication Date
JP2022552369A JP2022552369A (ja) 2022-12-15
JPWO2021079210A5 true JPWO2021079210A5 (ja) 2022-12-22

Family

ID=75492165

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022522622A Pending JP2022552369A (ja) 2019-10-21 2020-09-24 植生状態の予測および補正

Country Status (5)

Country Link
US (1) US11436712B2 (ja)
JP (1) JP2022552369A (ja)
CN (1) CN114450715A (ja)
GB (1) GB2602929B (ja)
WO (1) WO2021079210A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210158237A1 (en) * 2019-11-27 2021-05-27 X Development Llc Utility line maintenance and safety
US11768945B2 (en) * 2020-04-07 2023-09-26 Allstate Insurance Company Machine learning system for determining a security vulnerability in computer software
WO2022036227A1 (en) * 2020-08-13 2022-02-17 Zesty.Ai, Inc. Determining climate risk using artificial intelligence
US20220327463A1 (en) * 2021-04-07 2022-10-13 International Business Machines Corporation Managing vegetation conditions
CN113868963B (zh) 2021-10-20 2022-06-28 中国水利水电科学研究院 基于机器学习的仿自然生态植被构建方法、系统及设备
US20230186623A1 (en) * 2021-12-14 2023-06-15 Ping An Technology (Shenzhen) Co., Ltd. Systems and methods for crop disease diagnosis
US20230316744A1 (en) * 2022-03-31 2023-10-05 Sharper Shape Oy Method and system for remotely analysing trees
US11594015B1 (en) * 2022-07-26 2023-02-28 Finite Carbon Corporation Detecting changes in forest composition

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031927B1 (en) 2000-04-12 2006-04-18 Strategic Weather Services System, method, and computer program product for weather and terrestrial vegetation-based water renovation and management forecasting
US7702597B2 (en) 2004-04-20 2010-04-20 George Mason Intellectual Properties, Inc. Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters
US7720605B2 (en) 2007-06-22 2010-05-18 Weyerhaeuser Nr Company Identifying vegetation attributes from LiDAR data
EP2356496A4 (en) 2008-11-13 2015-05-27 Univ Saint Louis APPARATUS AND METHOD FOR COMMUNICATING ENVIRONMENTAL PREDICTION INDICATORS TO EMERGENCY RESPONSE MANAGERS
CN103034910B (zh) 2012-12-03 2016-03-09 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法
US9069104B2 (en) 2012-12-12 2015-06-30 International Business Machines Corporation Pathway management using model analysis and forecasting
US9131644B2 (en) 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
WO2016134341A1 (en) 2015-02-20 2016-08-25 Iteris, Inc. Modeling of soil compaction and structural capacity for field trafficability by agricultural equipment from diagnosis and prediction of soil and weather conditions associated with user-provided feedback
US10989838B2 (en) 2015-04-14 2021-04-27 Utopus Insights, Inc. Weather-driven multi-category infrastructure impact forecasting
US10755357B1 (en) * 2015-07-17 2020-08-25 State Farm Mutual Automobile Insurance Company Aerial imaging for insurance purposes
SG10201506012SA (en) * 2015-07-31 2017-02-27 Accenture Global Services Ltd Inventory, growth, and risk prediction using image processing
CN105787457A (zh) 2016-03-08 2016-07-20 浙江工商大学 一种modis卫星集成dem提高植被分类遥感精度的估算方法
US10664750B2 (en) 2016-08-10 2020-05-26 Google Llc Deep machine learning to predict and prevent adverse conditions at structural assets
WO2019115873A1 (en) 2017-12-12 2019-06-20 Oy Arbonaut Ltd. A method to quantify fire risk to structures
CN108681715A (zh) 2018-05-18 2018-10-19 三亚中科遥感研究所 海南热带天然林植被型组分类方法

Similar Documents

Publication Publication Date Title
GB2602929A (en) Predicting and correcting vegetation state
US10229346B1 (en) Learning method, learning device for detecting object using edge image and testing method, testing device using the same
US11275948B2 (en) Utilizing machine learning models to identify context of content for policy compliance determination
Escalera et al. Multi-modal gesture recognition challenge 2013: Dataset and results
US11481492B2 (en) Method and system for static behavior-predictive malware detection
WO2019062388A1 (zh) 广告效果分析方法及装置
JP2009534735A5 (ja)
JPWO2021079210A5 (ja)
CN112791414B (zh) 外挂识别模型训练方法、装置、电子设备及存储介质
US20220189008A1 (en) Method for detecting data defects and computing device utilizing method
Shenavarmasouleh et al. Drdr: Automatic masking of exudates and microaneurysms caused by diabetic retinopathy using mask r-cnn and transfer learning
Li et al. Tsa-gan: A robust generative adversarial networks for time series augmentation
CN109145030A (zh) 一种异常数据访问的检测方法和装置
US10380490B1 (en) Systems and methods for scoring story narrations
JP2023525283A (ja) 画像検出方法、装置、コンピュータプログラム及びコンピュータ機器
CN116561592A (zh) 文本情感识别模型的训练方法和文本情感识别方法及装置
CN111435453B (zh) 细粒度图像零样本识别方法
CN116992345A (zh) 一种基于深度学习算法的网络数据资产画像方法
CN115376054B (zh) 一种目标检测方法、装置、设备及存储介质
US20230063608A1 (en) Measure gui response time
US20220215228A1 (en) Detection method, computer-readable recording medium storing detection program, and detection device
EP3869423A1 (en) Projected vector overflow penalty as mitigation for machine learning model string stuffing
CN111695117B (zh) 一种webshell脚本检测方法及装置
CN110807179B (zh) 一种用户识别方法、装置、服务器及存储介质
CN113887270A (zh) 基于改进YOLOv4-tiny模型口罩佩戴检测方法