論文の概要: A Deep Learning Approach to Mapping Irrigation: IrrMapper-U-Net
- arxiv url: http://arxiv.org/abs/2103.03278v1
- Date: Thu, 4 Mar 2021 19:27:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 14:43:55.333668
- Title: A Deep Learning Approach to Mapping Irrigation: IrrMapper-U-Net
- Title（参考訳）: IrrMapper-U-Net のマッピングへの深層学習アプローチ
- Authors: Thomas Colligan, David Ketchum, Douglas Brinkerhoff, Marco Maneta
- Abstract要約: 本研究では,2000年からのモンタナ州における新しい灌水マッピング法を提案し,その精度を実証する。
この手法は、ランドサット画像からの反射情報を用いて灌水されたピクセルを分類する畳み込みニューラルネットワークのアンサンブルに基づいている。
この方法は、米国農務省の農業統計調査(USDA)の灌水地域の推定値と、州全体でよりよく一致していることを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate maps of irrigation are essential for understanding and managing
water resources. We present a new method of mapping irrigation and demonstrate
its accuracy for the state of Montana from years 2000-2019. The method is based
off of an ensemble of convolutional neural networks that use reflectance
information from Landsat imagery to classify irrigated pixels, that we call
IrrMapper-U-Net. The methodology does not rely on extensive feature engineering
and does not condition the classification with land use information from
existing geospatial datasets. The ensemble does not need exhaustive
hyperparameter tuning and the analysis pipeline is lightweight enough to be
implemented on a personal computer. Furthermore, the proposed methodology
provides an estimate of the uncertainty associated with classification. We
evaluated our methodology and the resulting irrigation maps using a highly
accurate novel spatially-explicit ground truth data set, using county-scale
USDA surveys of irrigation extent, and using cadastral surveys. We found that
that our method outperforms other methods of mapping irrigation in Montana in
terms of overall accuracy and precision. We found that our method agrees better
statewide with the USDA National Agricultural Statistics Survey estimates of
irrigated area compared to other methods, and has far fewer errors of
commission in rainfed agriculture areas. The method learns to mask clouds and
ignore Landsat 7 scan-line failures without supervision, reducing the need for
preprocessing data. This methodology has the potential to be applied across the
entire United States and for the complete Landsat record.
- Abstract（参考訳）: 水資源の理解と管理には正確な灌水マップが不可欠である。
本研究では,2000年から2019年までのモンタナ州における新しい灌水マッピング法を提案し,その精度を実証する。
この手法は、ランドサット画像からの反射情報を用いて、IrrMapper-U-Netと呼ぶ灌水画素を分類する畳み込みニューラルネットワークのアンサンブルに基づいている。
この方法論は広範な機能工学に依存しておらず、既存の地理空間データセットからの土地利用情報と分類を条件としない。
アンサンブルは網羅的なハイパーパラメータチューニングを必要とせず、分析パイプラインはパーソナルコンピュータに実装できるほど軽量である。
さらに,提案手法は分類に関連する不確実性を推定する。
本研究は,高度に高精度な空間拡張型地中真理データセットを用いて,郡規模のusda調査とキャダストラムサーベイを用いて,方法論と得られた灌水地図を評価した。
その結果,本手法はモンタナ州において,総合的精度と精度の点で他の方法よりも優れていることがわかった。
農林水産省の農林省全国農業統計調査では,他の方法に比べて灌水地域の推定値と州全体で一致しており,降水地域における委託の誤差は極めて少ないことがわかった。
このメソッドは、クラウドをマスクし、監視なしでLandsat 7スキャンライン障害を無視することを学び、データを前処理する必要性を減らします。
この手法は、アメリカ合衆国全土とランドサットの完全な記録に適用される可能性がある。
関連論文リスト
- Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。
既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。
複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文 参考訳（メタデータ） (2024-10-07T09:19:20Z) - TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。
本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。
推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
論文 参考訳（メタデータ） (2024-09-08T15:54:43Z) - IrrNet: Advancing Irrigation Mapping with Incremental Patch Size Training on Remote Sensing Imagery [4.713867053820382]
本稿では,学習過程を通じてパッチサイズを戦略的に増加させる,プログレッシブトレーニング手法を用いた革新的なアプローチを提案する。
注目すべきは,既存の最先端モデルの性能を約20%向上させることである。
論文 参考訳（メタデータ） (2024-04-17T21:43:43Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳（メタデータ） (2022-12-17T09:39:39Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。
光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。
提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
論文 参考訳（メタデータ） (2021-06-06T06:19:50Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳（メタデータ） (2021-05-25T16:19:16Z) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳（メタデータ） (2020-12-07T07:56:11Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z)
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。