論文の概要: Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region
- arxiv url: http://arxiv.org/abs/2203.14673v1
- Date: Mon, 28 Mar 2022 12:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 01:15:16.479303
- Title: Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region
- Title（参考訳）: 機械学習を用いたインドヒマラヤ地域の衛星画像時系列からの開地作付け地図の作成
- Authors: Danya Li, Joaquin Gajardo, Michele Volpi and Thijs Defraeye
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.28675177318965034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop maps are crucial for agricultural monitoring and food management and can
additionally support domain-specific applications, such as setting cold supply
chain infrastructure in developing countries. Machine learning (ML) models,
combined with freely-available satellite imagery, can be used to produce
cost-effective and high spatial-resolution crop maps. However, accessing ground
truth data for supervised learning is especially challenging in developing
countries due to factors such as smallholding and fragmented geography, which
often results in a lack of crop type maps or even reliable cropland maps. Our
area of interest for this study lies in Himachal Pradesh, India, where we aim
at producing an open-access binary cropland map at 10-meter resolution for the
Kullu, Shimla, and Mandi districts. To this end, we developed an ML pipeline
that relies on Sentinel-2 satellite images time series. We investigated two
pixel-based supervised classifiers, support vector machines (SVM) and random
forest (RF), which are used to classify per-pixel time series for binary
cropland mapping. The ground truth data used for training, validation and
testing was manually annotated from a combination of field survey reference
points and visual interpretation of very high resolution (VHR) imagery. We
trained and validated the models via spatial cross-validation to account for
local spatial autocorrelation and selected the RF model due to overall
robustness and lower computational cost. We tested the generalization
capability of the chosen model at the pixel level by computing the accuracy,
recall, precision, and F1-score on hold-out test sets of each district,
achieving an average accuracy for the RF (our best model) of 87%. We used this
model to generate a cropland map for three districts of Himachal Pradesh,
spanning 14,600 km2, which improves the resolution and quality of existing
public maps.
- Abstract（参考訳）: 作物地図は農業のモニタリングや食品管理に不可欠であり、開発途上国におけるコールドサプライチェーンインフラストラクチャの設定など、ドメイン固有のアプリケーションもサポートする。
機械学習(ML)モデルは、無料で利用可能な衛星画像と組み合わせて、コスト効率が高く空間分解能の高い作物地図を作成するために使用できる。
しかし、小規模化や断片化された地理などの要因により、開発途上国では、教師あり学習のための基礎的真理データへのアクセスは特に困難であり、作物の型地図や信頼できる作物の地図が欠如することが多い。
この研究の関心領域はインドのヒマハル・プラデーシュにあり、クル、シムラ、マンディの10mの解像度でオープンアクセス二分地地図を作ることを目指しています。
そこで我々は,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。
本研究では,2つの画素ベース教師付き分類器,サポートベクターマシン (SVM) とランダムフォレスト (RF) について検討した。
フィールドサーベイ基準点と超高解像度(VHR)画像の視覚的解釈の組み合わせから, トレーニング, 検証, テストに使用する真実データを手動で注釈付けした。
局所的空間自己相関を考慮に入れた空間交叉法によるモデルの訓練と検証を行い,全体の堅牢性と計算コストの低下からRFモデルを選択した。
我々は,各地区のホールドアウトテストセットに対して,精度,リコール,精度,F1スコアを計算し,選択したモデルの画素レベルでの一般化能力を検証し,RFの平均精度を87%とした。
このモデルを用いて、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。
関連論文リスト
- BD-SAT: High-resolution Land Use Land Cover Dataset & Benchmark Results for Developing Division: Dhaka, BD [1.0049728389234778]
BD-SATは高解像度のデータセットで、ダッカ大都市圏と周辺農村部と都市部のLULCアノテーションを含んでいる。
厳密で標準化された手順を用いて、地上空間距離が2.22メートル/ピクセルであるBing衛星画像を用いて、地上の真理を作成する。
その結果, 注釈付きBD-SATは, 5つの主要なLULCクラスに対して, 適切な精度で大規模深層学習モデルを訓練するのに十分であることがわかった。
論文 参考訳（メタデータ） (2024-06-09T20:54:58Z) - Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep
Learning: A Case Study of Nigeria [0.6827423171182154]
私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。
本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。
We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
論文 参考訳（メタデータ） (2023-12-18T01:23:22Z) - 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) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。
本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
論文 参考訳（メタデータ） (2022-07-27T13:16:39Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - A CNN based method for Sub-pixel Urban Land Cover Classification using
Landsat-5 TM and Resourcesat-1 LISS-IV Imagery [0.0]
本稿では,Landsat-5 TMとResourcesat-1 LISS-IVの時間重なりを利用したサブピクセル分類法を提案する。
畳み込みニューラルネットワークを用いて30m Landsat-5 TMデータから土地被覆マップを推定する。
論文 参考訳（メタデータ） (2021-12-16T12:48:37Z) - 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) - 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) - Segmentation of Satellite Imagery using U-Net Models for Land Cover
Classification [2.28438857884398]
本稿では,衛星画像に基づく土地被覆分類マップを作成するために,U-Net構造を改良した畳み込み機械学習モデルを用いた。
本研究の目的は、自動土地被覆マッピングのための畳み込みモデルの訓練と試験を行い、土地被覆マッピングの精度向上と変更検出における使用性を評価することである。
論文 参考訳（メタデータ） (2020-03-05T20:07:48Z)
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。