論文の概要: Early- and in-season crop type mapping without current-year ground truth: generating labels from historical information via a topology-based approach

• arxiv url: http://arxiv.org/abs/2110.10275v1
• Date: Tue, 19 Oct 2021 21:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 16:37:20.957045
• Title: Early- and in-season crop type mapping without current-year ground truth: generating labels from historical information via a topology-based approach
• Title（参考訳）: 現生の真理を示さない初期・季節作物型マッピング--トポロジー的アプローチによる歴史情報からラベルを生成する
• Authors: Chenxi Lin, Liheng Zhong, Xiao-Peng Song, Jinwei Dong, David B.Lobell, Zhenong Jin
• Abstract要約: 本稿では,異なる作物のトポロジに関する知識を効果的に伝達し,ラベルを生成する手法を提案する。 本研究では,米国中西部のトウモロコシ・ソイビーンと中国北東部の水稲・トウモロコシ・ソイビーンをランドサット8とセンチネル2のデータを用いてマッピングする方法を検討した。
• 参考スコア（独自算出の注目度）: 6.8222552619003505
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Land cover classification in remote sensing is often faced with the challenge of limited ground truth. Incorporating historical information has the potential to significantly lower the expensive cost associated with collecting ground truth and, more importantly, enable early- and in-season mapping that is helpful to many pre-harvest decisions. In this study, we propose a new approach that can effectively transfer knowledge about the topology (i.e. relative position) of different crop types in the spectral feature space (e.g. the histogram of SWIR1 vs RDEG1 bands) to generate labels, thereby support crop classification in a different year. Importantly, our approach does not attempt to transfer classification decision boundaries that are susceptible to inter-annual variations of weather and management, but relies on the more robust and shift-invariant topology information. We tested this approach for mapping corn/soybeans in the US Midwest and paddy rice/corn/soybeans in Northeast China using Landsat-8 and Sentinel-2 data. Results show that our approach automatically generates high-quality labels for crops in the target year immediately after each image becomes available. Based on these generated labels from our approach, the subsequent crop type mapping using a random forest classifier reach the F1 score as high as 0.887 for corn as early as the silking stage and 0.851 for soybean as early as the flowering stage and the overall accuracy of 0.873 in Iowa. In Northeast China, F1 scores of paddy rice, corn and soybeans and the overall accuracy can exceed 0.85 two and half months ahead of harvest. Overall, these results highlight unique advantages of our approach in transferring historical knowledge and maximizing the timeliness of crop maps. Our approach supports a general paradigm shift towards learning transferrable and generalizable knowledge to facilitate land cover classification.
• Abstract（参考訳）: リモートセンシングにおける土地被覆分類は、しばしば限定的な地上真実の挑戦に直面している。 歴史的情報を組み込むことは、真理の収集に伴うコストを大幅に削減する可能性があり、さらに重要なのは、多くのプレハーベストト決定に役立つ早期およびシーズン内のマッピングを可能にすることである。 本研究では,スペクトル特徴空間(例えば,swir1とrdeg1バンドのヒストグラム)における異なる作物種のトポロジー(すなわち相対位置)に関する知識を効果的に伝達してラベルを生成し,異なる年で作物の分類を支援する新しい手法を提案する。 重要なのは,気候と管理の経年変化の影響を受けやすい分類決定境界を転送しようとするのではなく,より堅牢でシフト不変なトポロジ情報に依存することである。 米国中西部のトウモロコシ・豆類と中国北東部の米・トウモロコシ・豆類をランドサット-8とセンチネル-2データを用いてマッピングした。 その結果,各画像が利用可能になった直後,作物の良質なラベルを自動生成する手法が得られた。 提案手法から得られたこれらのラベルに基づいて, ランダム森林分類器を用いた作物型マッピングは, 早生期はトウモロコシの0.887点, 開花期は大豆の0.851点, アイオワ州では0.873点まで到達した。 中国北東部では、水稲、トウモロコシ、大豆のF1スコアと全体的な精度は収穫の2ヶ月半前に0.85を超える。 これらの結果は,歴史的知識の伝達と作物地図の時系列の最大化において,我々のアプローチの独特な利点を浮き彫りにしている。 本手法は,土地被覆分類を容易にするため,移動可能かつ一般化可能な知識を学習するためのパラダイムシフトを支援する。

関連論文リスト

• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• From parcel to continental scale -- A first European crop type map based on Sentinel-1 and LUCAS Copernicus in-situ observations [0.0]
  我々は、2018年のS1AとS1Bレーダー観測に基づいて、EUの空間分解能10mで最初の大陸型作物マップを提示する。 本稿では,このEUの作物地図の精度を3つのアプローチで評価する。 第2に、EU加盟国6か国または合計3Mパーセル8.21Mhaの地域からの農作物の主作物種別について、精度評価を行う。
  論文  参考訳（メタデータ） (2021-05-19T17:17:45Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• 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。