論文の概要: Resilient In-Season Crop Type Classification in Multispectral Satellite Observations using Growth Stage Normalization

• arxiv url: http://arxiv.org/abs/2009.10189v1
• Date: Mon, 21 Sep 2020 21:55:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:43:28.153759
• Title: Resilient In-Season Crop Type Classification in Multispectral Satellite Observations using Growth Stage Normalization
• Title（参考訳）: 成長段階正規化を用いたマルチスペクトル衛星観測におけるレジリエント・イン・シーソン・クロップ型分類
• Authors: Hannah Kerner, Ritvik Sahajpal, Sergii Skakun, Inbal Becker-Reshef, Brian Barker, Mehdi Hosseini, Estefania Puricelli, Patrick Gray
• Abstract要約: 本研究では,中間空間分解能(30m)衛星データを用いた季節内作物型分類手法を提案する。 コンボリューション層とリカレント層の両方を利用したニューラルネットワークを用いて、ピクセルにトウモロコシ、大豆、または他の作物や土地被覆タイプが含まれているかどうかを予測する。 成長段階正規化時系列を用いたアプローチは、固定時間時系列よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.4186361602373823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crop type classification using satellite observations is an important tool for providing insights about planted area and enabling estimates of crop condition and yield, especially within the growing season when uncertainties around these quantities are highest. As the climate changes and extreme weather events become more frequent, these methods must be resilient to changes in domain shifts that may occur, for example, due to shifts in planting timelines. In this work, we present an approach for within-season crop type classification using moderate spatial resolution (30 m) satellite data that addresses domain shift related to planting timelines by normalizing inputs by crop growth stage. We use a neural network leveraging both convolutional and recurrent layers to predict if a pixel contains corn, soybeans, or another crop or land cover type. We evaluated this method for the 2019 growing season in the midwestern US, during which planting was delayed by as much as 1-2 months due to extreme weather that caused record flooding. We show that our approach using growth stage-normalized time series outperforms fixed-date time series, and achieves overall classification accuracy of 85.4% prior to harvest (September-November) and 82.8% by mid-season (July-September).
• Abstract（参考訳）: 衛星観測による作物種別分類は、植栽地域に関する洞察を提供し、特にそれらの量に関する不確実性が高い時期における作物の生育状況と収量の推定を可能にする重要なツールである。 気候変動や極端な気象現象が頻発するにつれて、これらの手法は、例えば植樹スケジュールの変化によって生じる可能性のあるドメインシフトの変化に耐性を持たなければならない。 本研究では,作物生育段階の入力を正規化することにより,植栽タイムラインに関連する領域シフトに対処する,適度な空間分解能(30m)衛星データを用いた季節内作物種別分類手法を提案する。 コンボリューション層とリカレント層の両方を利用したニューラルネットワークを用いて、ピクセルにトウモロコシ、大豆、または他の作物や土地被覆タイプが含まれているかどうかを予測する。 本手法は,アメリカ合衆国中西部における2019年成長期において,記録的な洪水を引き起こした極端な天候により植栽が1～2ヶ月遅れることについて評価した。 成長段階正規化時系列を用いた手法は, 収穫前(9月～11月)に85.4%, シーズン半ば(7月～9月)に82.8%の分類精度を達成できた。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Combining Satellite and Weather Data for Crop Type Mapping: An Inverse Modelling Approach [23.23933321161625]
  天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。 提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。 この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-01-29T04:15:22Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Boosting Crop Classification by Hierarchically Fusing Satellite, Rotational, and Contextual Data [0.0]
  本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。 このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2023-05-19T21:42:53Z)
• Fuzzy clustering for the within-season estimation of cotton phenology [0.0]
  本研究では,綿花の季節内表現学評価のための新しい手法を提案する。 本手法は, スパース・アンス・グラウンドの真理データにおいて, 常に存在する問題に対処するために, 教師なしの手法である。 このモデルを評価するため,ギリシャのオルコメノスで1,285の栽培地観測を行った。
  論文  参考訳（メタデータ） (2022-11-25T13:30:57Z)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• Generalized Classification of Satellite Image Time Series with Thermal Positional Encoding [3.5773108446345034]
  本稿では,注目型作物分類のための熱位置一般化(TPE)を提案する。 TPEは、成長期の平均気温を蓄積して得られる熱時間に基づいている。 我々は4つのヨーロッパ地域をまたいだ作物分類課題へのアプローチを実証し,その成果を報告する。
  論文  参考訳（メタデータ） (2022-03-17T08:53:22Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。