論文の概要: Combining GEDI and Sentinel-2 for wall-to-wall mapping of tall and short crops

• arxiv url: http://arxiv.org/abs/2109.06972v1
• Date: Fri, 10 Sep 2021 16:55:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-19 14:30:10.619433
• Title: Combining GEDI and Sentinel-2 for wall-to-wall mapping of tall and short crops
• Title（参考訳）: GEDIとSentinel-2を併用した高作・短作の壁面マッピング
• Authors: Stefania Di Tommaso (1), Sherrie Wang (1,2 and 3), David B. Lobell (1) ((1) Department of Earth System Science and Center on Food Security and the Environment, Stanford University, (2) Institute for Computational and Mathematical Engineering, Stanford University, (3) Goldman School of Public Policy, University of California, Berkeley)
• Abstract要約: 我々は,NASAの地球環境ダイナミクス調査(GEDI)とSentinel-2光データを組み合わせて作物型マッピングを行った。 GEDIのエネルギープロファイルは、通常高さ2メートル以上のトウモロコシを、より短い米や大豆などの作物と確実に区別することができる。 GEDIは、アキュラシーが84%以上で、アキュラシーが82%以上である地域をまたいで移動することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High resolution crop type maps are an important tool for improving food security, and remote sensing is increasingly used to create such maps in regions that possess ground truth labels for model training. However, these labels are absent in many regions, and models trained in other regions on typical satellite features, such as those from optical sensors, often exhibit low performance when transferred. Here we explore the use of NASA's Global Ecosystem Dynamics Investigation (GEDI) spaceborne lidar instrument, combined with Sentinel-2 optical data, for crop type mapping. Using data from three major cropped regions (in China, France, and the United States) we first demonstrate that GEDI energy profiles are capable of reliably distinguishing maize, a crop typically above 2m in height, from crops like rice and soybean that are shorter. We further show that these GEDI profiles provide much more invariant features across geographies compared to spectral and phenological features detected by passive optical sensors. GEDI is able to distinguish maize from other crops within each region with accuracies higher than 84%, and able to transfer across regions with accuracies higher than 82% compared to 64% for transfer of optical features. Finally, we show that GEDI profiles can be used to generate training labels for models based on optical imagery from Sentinel-2, thereby enabling the creation of 10m wall-to-wall maps of tall versus short crops in label-scarce regions. As maize is the second most widely grown crop in the world and often the only tall crop grown within a landscape, we conclude that GEDI offers great promise for improving global crop type maps.
• Abstract（参考訳）: 高分解能作物型地図は食品の安全性を向上させるための重要なツールであり、モデルトレーニングのために基礎的真理ラベルを持つ地域でそのような地図を作成するためにリモートセンシングがますます使われている。 しかし、これらのラベルは多くの地域で欠落しており、光学センサーのような典型的な衛星の特徴で訓練された他の地域では、転送時に低い性能を示すことが多い。 ここでは、NASAのGEDI(Global Ecosystem Dynamics Investigation)宇宙搭載ライダー機器とSentinel-2光データを組み合わせて、作物型のマッピングを行う。 まず,中国,フランス,米国の3地域から得られたデータを用いて,gediのエネルギープロファイルが,米や大豆などより短い作物から高度2m以上の作物であるトウモロコシを確実に区別できることを実証した。 さらに、これらのGEDIプロファイルは、受動光学センサによって検出されるスペクトルおよび現象特性と比較して、地理的により不変な特徴を提供することを示す。 gediは84%以上のアキュラシーを持つ各地域の他の作物とメイズを区別することができ、光学的特徴の転送では64%に対して82%以上のアキュラシーを持つ地域をまたいで移動することができる。 最後に,sentinel-2からの光学画像に基づくモデルのトレーニングラベルを生成するためにgediプロファイルが使用できることを示す。 トウモロコシは世界で2番目に広く栽培されている作物であり、しばしば風景の中で栽培される唯一の背の高い作物である。

関連論文リスト

• Comparing remote sensing-based forest biomass mapping approaches using new forest inventory plots in contrasting forests in northeastern and southwestern China [6.90293949599626]
  大規模高空間分解能地上バイオマス(AGB)マップは、森林炭素ストックの決定と変化の過程において重要な役割を担っている。 GEDIは、散布された足跡を収集するサンプリング装置であり、そのデータは他の連続カバー衛星のデータと組み合わせて高解像度の地図を作成する必要がある。 GEDI L2Aデータから森林AGBを推定するローカルモデルを開発した。
  論文  参考訳（メタデータ） (2024-05-24T11:10:58Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• 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)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Semantically-consistent Landsat 8 image to Sentinel-2 image translation for alpine areas [0.0]
  本論文では,ランドサット8とセンチネル2のセンサ差を狭めるため,HRSemI2Iモデルを用いてスタイル伝達によるドメイン適応実験を行った。 HRSemI2Iモデルは、6バンド画像で動作するように調整され、平均値とクラス毎のメトリクスの交差対一性能が大幅に向上した。 第2のコントリビューションは、NALCMS 2015とCORINEの2つのラベルスキーム間の異なる一般化スキームを提供することである。
  論文  参考訳（メタデータ） (2022-12-22T22:07:28Z)
• Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2 [11.379287122235954]
  我々は,2019-2021年の10m分解能で世界規模で,短い作物と高い作物の壁面マップを開発した。 GEDIリターンは、極端な視角や地形傾斜のあるショットを取り除いた後に、高さと短い作物に確実に分類することができる。 GEDI-S2は、何千ものローカルリファレンストレーニングポイントで訓練されたモデルとほぼ同等の性能を発揮した。
  論文  参考訳（メタデータ） (2022-12-19T18:09:34Z)
• Towards Global Crop Maps with Transfer Learning [0.0]
  ディープラーニングモデルは、大量の注釈付きデータを必要とします。 本研究では,大韓民国における水稲検出のための深層学習モデルをSentinel-1 VH-1時系列を用いて開発・訓練した。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。
  論文  参考訳（メタデータ） (2022-11-09T09:17:42Z)
• Using Machine Learning to generate an open-access cropland map from satellite images time series in the Indian Himalayan Region [0.28675177318965034]
  我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。 ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
  論文  参考訳（メタデータ） (2022-03-28T12:08:06Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
  ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。 このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。 食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T02:48:27Z)

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。