論文の概要: Rapid Response Crop Maps in Data Sparse Regions
- arxiv url: http://arxiv.org/abs/2006.16866v1
- Date: Tue, 23 Jun 2020 17:19:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:51:07.622471
- Title: Rapid Response Crop Maps in Data Sparse Regions
- Title（参考訳）: データスパース領域における高速応答クロップマップ
- Authors: Hannah Kerner, Gabriel Tseng, Inbal Becker-Reshef, Catherine
Nakalembe, Brian Barker, Blake Munshell, Madhava Paliyam, and Mehdi Hosseini
- Abstract要約: 高解像度の農地地図は、特に小作農が支配する地域では、ほとんどの国で容易には利用できない。
作物地図を開発する上での大きな課題は、多くの地域が、作物の土地で容易にアクセスできる真実データを持っていないことである。
本研究では,地上データはほとんど得られていない地域での農地の高速マッピング手法を提案する。
- 参考スコア（独自算出の注目度）: 4.215938932388722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial information on cropland distribution, often called cropland or crop
maps, are critical inputs for a wide range of agriculture and food security
analyses and decisions. However, high-resolution cropland maps are not readily
available for most countries, especially in regions dominated by smallholder
farming (e.g., sub-Saharan Africa). These maps are especially critical in times
of crisis when decision makers need to rapidly design and enact
agriculture-related policies and mitigation strategies, including providing
humanitarian assistance, dispersing targeted aid, or boosting productivity for
farmers. A major challenge for developing crop maps is that many regions do not
have readily accessible ground truth data on croplands necessary for training
and validating predictive models, and field campaigns are not feasible for
collecting labels for rapid response. We present a method for rapid mapping of
croplands in regions where little to no ground data is available. We present
results for this method in Togo, where we delivered a high-resolution (10 m)
cropland map in under 10 days to facilitate rapid response to the COVID-19
pandemic by the Togolese government. This demonstrated a successful transition
of machine learning applications research to operational rapid response in a
real humanitarian crisis. All maps, data, and code are publicly available to
enable future research and operational systems in data-sparse regions.
- Abstract（参考訳）: 作物の分布に関する空間情報は、作物や作物の地図と呼ばれ、幅広い農業や食料安全保障の分析と決定にとって重要な入力である。
しかし、高解像度の農地地図は、特に小作農が支配する地域(サハラ以南アフリカなど)では、ほとんどの国で容易には利用できない。
これらの地図は、意思決定者が人道支援の提供、目標とする援助の分散、農家の生産性向上など、農業関連の政策や緩和戦略を迅速に設計し、実行する必要がある危機の時代に特に重要なものである。
作物地図を開発する上での大きな課題は、多くの地域が予測モデルの訓練と検証に必要な作物の真理データを容易に入手できないことであり、フィールドキャンペーンは迅速な応答のためにラベルを収集することは不可能である。
本稿では,地上データが少ない地域において,農地の迅速なマッピングを行う方法を提案する。
Togoでは10日以内に高解像度(10m)の農地マップを公開し、トゴレス政府による新型コロナウイルスのパンデミックに対する迅速な対応を図った。
これは、実際の人道的危機において、機械学習アプリケーションの研究から運用上の迅速な応答への移行が成功したことを実証した。
すべての地図、データ、コードは、データスパース領域における将来の研究および運用システムを可能にするために公開されている。
関連論文リスト
- Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。
我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文 参考訳（メタデータ） (2024-11-07T22:29:05Z) - High-resolution Population Maps Derived from Sentinel-1 and Sentinel-2 [17.830362329876493]
POPCORN は、Sentinel-1 と Sentinel-2 の衛星画像のみを無料で利用できる人口マッピング手法である。
我々は400人未満の地域国勢調査に基づいて100mのGSDを持つルワンダの人口地図を作成した。
POPCORNは、ビルトアップされたエリアの明示的なマップと、ローカルなビルの占有率を検索する。
論文 参考訳（メタデータ） (2023-11-23T13:43:14Z) - Combining Deep Learning and Street View Imagery to Map Smallholder Crop
Types [3.2437298521021876]
深層学習とGoogleストリートビュー画像を用いた作物型土壌参照の自動生成システムを開発した。
タイでは、カッサバ、トウモロコシ、サトウキビの国全体の地図が93%の精度を達成している。
10m解像度でマルチクロップマップが作られたのは、これが初めてだ。
論文 参考訳（メタデータ） (2023-09-12T03:05:06Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - How accurate are existing land cover maps for agriculture in Sub-Saharan Africa? [15.186674512627876]
EOをベースとしたモニタリングシステムでは、作物に関する情報を提供するために正確な作物地図が必要である。
アフリカ諸国の耕作地を最も正確に識別する多くの土地被覆地図のどれかを決定するためのデータが不足している。
論文 参考訳（メタデータ） (2023-07-05T18:17:23Z) - Annual field-scale maps of tall and short crops at the global scale
using GEDI and Sentinel-2 [11.379287122235954]
我々は,2019-2021年の10m分解能で世界規模で,短い作物と高い作物の壁面マップを開発した。
GEDIリターンは、極端な視角や地形傾斜のあるショットを取り除いた後に、高さと短い作物に確実に分類することができる。
GEDI-S2は、何千ものローカルリファレンストレーニングポイントで訓練されたモデルとほぼ同等の性能を発揮した。
論文 参考訳（メタデータ） (2022-12-19T18:09:34Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - What a million Indian farmers say?: A crowdsourcing-based method for
pest surveillance [0.9558392439655014]
本稿では,スマートフォン上で収集したリアルタイムファーマークエリを利用して害虫監視を行うクラウドソーシング方式を提案する。
本研究では,高時間的粒度の広い地域を包み込むことのできる害虫監視の正確かつ経済的手法であることを示した。
論文 参考訳（メタデータ） (2021-08-07T06:03:17Z) - Deploying machine learning to assist digital humanitarians: making image
annotation in OpenStreetMap more efficient [72.44260113860061]
本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。
提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
論文 参考訳（メタデータ） (2020-09-17T10:05:30Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z) - Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。
このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。
衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
論文 参考訳（メタデータ） (2020-04-11T19:49:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。