Fugu-MT 論文翻訳(概要): Estimating crop yields with remote sensing and deep learning

論文の概要: Estimating crop yields with remote sensing and deep learning

arxiv url: http://arxiv.org/abs/2007.10882v1
Date: Tue, 21 Jul 2020 15:09:11 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 05:49:08.964292
Title: Estimating crop yields with remote sensing and deep learning
Title（参考訳）: リモートセンシングと深層学習による作物収量の推定
Authors: Renato Luiz de Freitas Cunha, Bruno Silva
Abstract要約: 本研究では,5種類の作物に対して,プレシーズンおよびインシーズン予測を行うことができる深層学習モデルを提案する。本モデルでは、収穫カレンダー、リモートセンシングデータ、天気予報情報を用いて正確な収量推定を行う。
参考スコア（独自算出の注目度）: 0.2492060267829796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Increasing the accuracy of crop yield estimates may allow improvements in the whole crop production chain, allowing farmers to better plan for harvest, and for insurers to better understand risks of production, to name a few advantages. To perform their predictions, most current machine learning models use NDVI data, which can be hard to use, due to the presence of clouds and their shadows in acquired images, and due to the absence of reliable crop masks for large areas, especially in developing countries. In this paper, we present a deep learning model able to perform pre-season and in-season predictions for five different crops. Our model uses crop calendars, easy-to-obtain remote sensing data and weather forecast information to provide accurate yield estimates.
Abstract（参考訳）: 収穫量推定の精度の向上は、作物生産チェーン全体の改善を可能にし、農家が収穫計画の改善を可能にし、保険会社は生産のリスクをよりよく理解し、いくつかの利点を挙げることができる。予測を行うため、現在の機械学習モデルでは、雲の存在と取得した画像の影、特に発展途上国において、大規模で信頼性の高い作物マスクがないため、使用が難しいNDVIデータを使用することが多い。本稿では,5つの異なる作物に対するプレシーズンおよびインシーズン予測を行うことができる深層学習モデルを提案する。本モデルでは、収穫カレンダー、リモートセンシングデータ、天気予報情報を用いて正確な収量推定を行う。

関連論文リスト

Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
論文参考訳（メタデータ） (2024-07-11T08:23:46Z)
An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions [20.44172558372343]
CropNetデータセットは、気候変動を意識した収穫予測を対象とする、最初のテラバイトサイズの、公開可能な、マルチモーダルデータセットである。 CropNetデータセットは、Sentinel-2 Imagery(英語版)、WRF-HRRR(英語版)、USDA Cropd(英語版)の3つのデータからなる。
論文参考訳（メタデータ） (2024-06-10T07:54:56Z)
Generative weather for improved crop model simulations [0.0]
本稿では,長期気象予報のための生成モデルを構築するための新しい手法を提案する。その結果,従来の方法よりも顕著な改善が見られた。個別の作物モデル作成者がこの問題にこの手法を適用し始めるためには、技術的詳細を慎重に説明する。
論文参考訳（メタデータ） (2024-03-31T02:03:28Z)
Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文参考訳（メタデータ） (2024-02-12T16:15:25Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
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)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches [0.0]
本稿では,XGBoost(Extreme Gradient Boosting, エクストリームグラディエントブースティング)を利得予測に利用するための,リモートセンシング画像を特徴ベース表現に処理するためのパイプラインを提案する。米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。
論文参考訳（メタデータ） (2022-08-26T12:48:18Z)
End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文参考訳（メタデータ） (2022-08-04T01:34:46Z)
YieldNet: A Convolutional Neural Network for Simultaneous Corn and Soybean Yield Prediction Based on Remote Sensing Data [14.312926581466852]
本稿では,複数作物の収量を予測するモデルYieldNetを提案し,同時に複数作物の収量間の相互作用を考察する。その結果,提案手法は収穫前1～4ヶ月の収穫量を正確に予測し,他の最先端手法と競合することを示した。
論文参考訳（メタデータ） (2020-12-05T22:09:07Z)
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)

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。