論文の概要: Self-supervised Contrastive Learning for Irrigation Detection in Satellite Imagery

• arxiv url: http://arxiv.org/abs/2108.05484v1
• Date: Thu, 12 Aug 2021 01:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-14 02:42:46.668723
• Title: Self-supervised Contrastive Learning for Irrigation Detection in Satellite Imagery
• Title（参考訳）: 衛星画像における灌水検出のための自己教師付きコントラスト学習
• Authors: Chitra Agastya, Sirak Ghebremusse, Ian Anderson, Colorado Reed, Hossein Vahabi, Alberto Todeschini
• Abstract要約: 気候変動は河川流出の減少と帯水層再資源化を招き、淡水利用率の低下による農業用水需要の持続不可能さが増している。 農業用水の利用状況の監視・追跡を慎重に行う必要があるため、持続可能な方法での食料の確保は引き続き大きな課題となる。 光リモートセンシングデータに最先端の自己教師型深層学習技術を適用し,従来の教師付き学習法に比べて最大9倍の精度,90%のリコール,40%の一般化能力で灌水を検出できることを確認した。
• 参考スコア（独自算出の注目度）: 0.7584685045934025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Climate change has caused reductions in river runoffs and aquifer recharge resulting in an increasingly unsustainable crop water demand from reduced freshwater availability. Achieving food security while deploying water in a sustainable manner will continue to be a major challenge necessitating careful monitoring and tracking of agricultural water usage. Historically, monitoring water usage has been a slow and expensive manual process with many imperfections and abuses. Ma-chine learning and remote sensing developments have increased the ability to automatically monitor irrigation patterns, but existing techniques often require curated and labelled irrigation data, which are expensive and time consuming to obtain and may not exist for impactful areas such as developing countries. In this paper, we explore an end-to-end real world application of irrigation detection with uncurated and unlabeled satellite imagery. We apply state-of-the-art self-supervised deep learning techniques to optical remote sensing data, and find that we are able to detect irrigation with up to nine times better precision, 90% better recall and 40% more generalization ability than the traditional supervised learning methods.
• Abstract（参考訳）: 気候変動は河川流出の減少と帯水層再資源化を招き、淡水利用率の低下による水需要の持続不可能さが増している。 農業用水の利用状況の監視・追跡を慎重に行う必要があるため、持続可能な方法での食料の確保は引き続き大きな課題となる。 歴史的に、水の使用の監視は、多くの不完全さと悪用を伴う、遅くて高価な手動プロセスであった。 マシーン学習とリモートセンシングの開発は、自動的に灌水パターンをモニタリングする能力を高めてきたが、既存の技術では、開発途上国のような影響のある地域には、高価で時間を要する灌水データを必要とすることが多い。 本稿では,未確認・無ラベル衛星画像を用いた灌水検出のエンド・ツー・エンドの現実世界への応用について検討する。 光リモートセンシングデータに最先端の自己教師型深層学習技術を適用し,従来の教師付き学習法に比べて最大9倍の精度,90%のリコール,40%の一般化能力で灌水を検出できることを確認した。

関連論文リスト

• Continual All-in-One Adverse Weather Removal with Knowledge Replay on a Unified Network Structure [92.8834309803903]
  現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。 我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。 連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
  論文  参考訳（メタデータ） (2024-03-12T03:50:57Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field [4.091593765662773]
  農業用水は淡水消費に大きく寄与している。 現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。 本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T01:04:53Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• In-situ Water quality monitoring in Oil and Gas operations [1.9857559596234144]
  既存の衛星ベースの監視研究の多くは、川や海のような大きな水域を監視するためにインデックスベースの手法を利用している。 反射率の弱い水域における汚染レベルを推定できる新しい水質指標(WQEI)モデルを提案する。 その結果, 1) WQEIは, 実験室で測定された1200個の試料で検証された水質変動の指標であり, 2) 一般に利用可能な衛星データ(LandSat8など)に本手法を適用することにより, 広範囲で高精度な水質モニタリングを実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T20:56:52Z)
• Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote Sensing Data [64.40187171234838]
  季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。 SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
  論文  参考訳（メタデータ） (2021-03-30T18:26:39Z)
• Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery And Digital Elevation Models [0.0]
  Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。 実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
  論文  参考訳（メタデータ） (2020-12-11T18:42:15Z)
• High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
  地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。 我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。 本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
  論文  参考訳（メタデータ） (2020-12-09T17:26:43Z)
• 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)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。