Fugu-MT 論文翻訳(概要): Domain-guided Machine Learning for Remotely Sensed In-Season Crop Growth Estimation

論文の概要: Domain-guided Machine Learning for Remotely Sensed In-Season Crop Growth Estimation

arxiv url: http://arxiv.org/abs/2106.13323v1
Date: Thu, 24 Jun 2021 21:21:35 GMT
ステータス: 処理完了
システム内更新日: 2021-06-28 13:16:16.102893
Title: Domain-guided Machine Learning for Remotely Sensed In-Season Crop Growth Estimation
Title（参考訳）: リモートセンシングインシーズン作物生育推定のためのドメイン誘導機械学習
Authors: George Worrall and Anand Rangarajan and Jasmeet Judge
Abstract要約: ドメイン誘導ニューラルネットワーク(DgNN)は、シーズン内の作物の収量予測に使用される。州全体のDgNN性能は、シーケンシャルかつ高密度なNN構造よりも大幅に改善されている。本研究は, 作物生育段階推定(CGSE)におけるNNの生存可能性と, ドメイン知識の活用のメリットを両立させたものである。
参考スコア（独自算出の注目度）: 4.683612295430956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advanced machine learning techniques have been used in remote sensing (RS) applications such as crop mapping and yield prediction, but remain under-utilized for tracking crop progress. In this study, we demonstrate the use of agronomic knowledge of crop growth drivers in a Long Short-Term Memory-based, Domain-guided neural network (DgNN) for in-season crop progress estimation. The DgNN uses a branched structure and attention to separate independent crop growth drivers and capture their varying importance throughout the growing season. The DgNN is implemented for corn, using RS data in Iowa for the period 2003-2019, with USDA crop progress reports used as ground truth. State-wide DgNN performance shows significant improvement over sequential and dense-only NN structures, and a widely-used Hidden Markov Model method. The DgNN had a 3.5% higher Nash-Sutfliffe efficiency over all growth stages and 33% more weeks with highest cosine similarity than the other NNs during test years. The DgNN and Sequential NN were more robust during periods of abnormal crop progress, though estimating the Silking-Grainfill transition was difficult for all methods. Finally, Uniform Manifold Approximation and Projection visualizations of layer activations showed how LSTM-based NNs separate crop growth time-series differently from a dense-only structure. Results from this study exhibit both the viability of NNs in crop growth stage estimation (CGSE) and the benefits of using domain knowledge. The DgNN methodology presented here can be extended to provide near-real time CGSE of other crops.
Abstract（参考訳）: 高度な機械学習技術は、作物のマッピングや収量予測などのリモートセンシング(rs)アプリケーションで使われてきたが、作物の進歩を追跡するためにはまだ使われていない。本研究では,短期記憶型ドメイン誘導型ニューラルネットワーク(dgnn)における作物生育ドライバの農業的知識を,季節的作物成長予測に利用することを提案する。 DgNNは、枝分かれした構造と注意を使って、独立した作物栽培ドライバーを分離し、成長期を通じてその様々な重要性を捉えている。 DgNNはトウモロコシ用に実装されており、2003-2019年の間アイオワ州でRSデータを使用しており、農務省の作物進歩報告が真実として使われている。州全体のDgNN性能は、シーケンシャルかつ高密度なNN構造よりも大幅に改善され、広く使用されているHidden Markov Model法が特徴である。 DgNNはすべての成長段階においてナッシュ・サトフリフの効率が3.5%高く、テスト期間中に他のNNよりもコサインの類似性が高かった。 DgNNとSequential NNは,すべての方法においてシルキング-グラインフィル遷移を推定することは困難であったが,異常な作物の生育期間においてより堅牢であった。最後に、一様多様体近似と層活性化の投影可視化により、lstmベースのnnが密度の高い構造とは異なる作物の成長時系列を分離する方法を示した。本研究は, 作物生育段階推定(CGSE)におけるNNの生存可能性と, ドメイン知識の活用のメリットを示すものである。ここで提示されるDgNN手法は、他の作物のほぼリアルタイムCGSEを提供するために拡張することができる。

関連論文リスト

A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
論文参考訳（メタデータ） (2024-08-16T13:44:35Z)
KAN You See It? KANs and Sentinel for Effective and Explainable Crop Field Segmentation [16.358846714992893]
本稿では,Sentinel-2 と Sentinel-1 の衛星画像を用いて,Kan 層を U-Net アーキテクチャ (U-KAN) に統合して作物畑の分割を行う。以上の結果より,従来の完全畳み込み型U-Netモデルに比べて,GFLOPが2%改善したことが示唆された。
論文参考訳（メタデータ） (2024-08-13T17:07:29Z)
DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文参考訳（メタデータ） (2024-05-07T07:51:28Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
In-Season Crop Progress in Unsurveyed Regions using Networks Trained on Synthetic Data [0.19036571490366497]
季節内作物の進捗情報は、作物のリスクの定量化に有用である。既存のRSベースの収穫進捗推定手法はすべて、訓練・校正のための真理データに依存している。新たな手法は、調査対象地域から得られたデータと、調査対象地域向けに生成された合成作物の進捗データを組み合わせる。
論文参考訳（メタデータ） (2022-12-13T20:48:06Z)
Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文参考訳（メタデータ） (2022-09-28T18:51:59Z)
Time Gated Convolutional Neural Networks for Crop Classification [0.9176056742068814]
最先端フレームワークTGCNN(Time Gated Convolutional Neural Network) TGCNNは、作物分類問題に対する時間情報とゲーティング機構を利用する。この地球観測時系列分類作業において,TGCNNが有利であることを示す。
論文参考訳（メタデータ） (2022-06-20T13:05:29Z)
Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。本稿では,関係データに対するKENNの拡張を提案する。
論文参考訳（メタデータ） (2022-05-31T13:00:34Z)
EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2022-02-22T08:16:58Z)
Deep Time Delay Neural Network for Speech Enhancement with Full Data Learning [60.20150317299749]
本稿では,全データ学習による音声強調のためのディープタイム遅延ニューラルネットワーク(TDNN)を提案する。トレーニングデータを完全に活用するために,音声強調のための完全なデータ学習手法を提案する。
論文参考訳（メタデータ） (2020-11-11T06:32:37Z)
Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。本研究では,主要農作物を含む15種について検討した。提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
論文参考訳（メタデータ） (2020-04-27T15:39:50Z)

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。