論文の概要: Crop Type Identification for Smallholding Farms: Analyzing Spatial,
Temporal and Spectral Resolutions in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2205.03104v1
- Date: Fri, 6 May 2022 09:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 13:14:59.439240
- Title: Crop Type Identification for Smallholding Farms: Analyzing Spatial,
Temporal and Spectral Resolutions in Satellite Imagery
- Title（参考訳）: 小型農場における作物型識別 : 衛星画像における空間・時間・スペクトル分解能の分析
- Authors: Depanshu Sani, Sandeep Mahato, Parichya Sirohi, Saket Anand, Gaurav
Arora, Charu Chandra Devshali, T. Jayaraman
- Abstract要約: 衛星画像の高スペクトル分解能は、低空間分解能と時間分解能の予測性能を向上させることができる。
MSTR画像のマルチスペクトルデータを用いて、HSTR画像から得られる最良の結果と比較すると、F1スコアは7%向上する。
- 参考スコア（独自算出の注目度）: 2.624789041396596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of the modern Machine Learning (ML) models into remote
sensing and agriculture has expanded the scope of the application of satellite
images in the agriculture domain. In this paper, we present how the accuracy of
crop type identification improves as we move from
medium-spatiotemporal-resolution (MSTR) to high-spatiotemporal-resolution
(HSTR) satellite images. We further demonstrate that high spectral resolution
in satellite imagery can improve prediction performance for low spatial and
temporal resolutions (LSTR) images. The F1-score is increased by 7% when using
multispectral data of MSTR images as compared to the best results obtained from
HSTR images. Similarly, when crop season based time series of multispectral
data is used we observe an increase of 1.2% in the F1-score. The outcome
motivates further advancements in the field of synthetic band generation.
- Abstract（参考訳）: 現代の機械学習(ml)モデルのリモートセンシングと農業への統合により、農業領域における衛星画像の適用範囲が拡大した。
本稿では,中時空間分解能 (MSTR) から高時空間分解能 (HSTR) への移動により,作物型識別の精度が向上することを示す。
さらに,衛星画像における高スペクトル分解能は低空間分解能および時間分解能(lstr)画像の予測性能を向上させることを実証する。
MSTR画像のマルチスペクトルデータを用いて、HSTR画像から得られる最良の結果と比較すると、F1スコアは7%向上する。
同様に、多スペクトルデータの収穫季に基づく時系列データを用いると、F1スコアの1.2%の増加が観測される。
この結果は、合成バンド生成の分野におけるさらなる進歩を動機付ける。
関連論文リスト
- Towards a Knowledge guided Multimodal Foundation Model for Spatio-Temporal Remote Sensing Applications [16.824262496666893]
本稿では,事前学習タスクが複数のモーダル間の因果関係をキャプチャする基礎モデルフレームワークを提案する。
本手法は,MultiModal Variable Step Forecasting (MM-VSF) と呼ばれ,衛星画像の予測を事前訓練作業として利用する。
論文 参考訳（メタデータ） (2024-07-29T02:49:55Z) - Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product [0.0]
本研究の目的は,農業用深層学習によるRGB画像からのハイパースペクトル画像の再構成である。
アルゴリズムは、RGB画像からのハイパースペクトル画像を正確に再構成し、その結果のスペクトルは、地上構造と密接に一致した。
これらの知見は,様々な農業用ツールとして,ディープラーニングに基づくハイパースペクトル画像再構成の可能性を強調した。
論文 参考訳（メタデータ） (2024-05-20T18:15:20Z) - Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。
インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
論文 参考訳（メタデータ） (2024-04-17T17:57:20Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2024-01-29T04:15:22Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - Pixel-wise Agricultural Image Time Series Classification: Comparisons and a Deformable Prototype-based Approach [38.96950437566293]
時間的データを用いた収穫分断の現在の手法は、データに依存するか、監督の欠如を補うために非常に高度に設計されている。
衛星画像時間(SITS)の教師付き画素分割と教師なし画素分割のためのデータセットと手法を提示・比較する。
我々は,このシンプルかつ高解釈可能な手法が,低データ方式で最高の性能を実現することを示す。
論文 参考訳（メタデータ） (2023-03-22T13:06:39Z) - SatMAE: Pre-training Transformers for Temporal and Multi-Spectral
Satellite Imagery [74.82821342249039]
Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。
時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
論文 参考訳（メタデータ） (2022-07-17T01:35:29Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳（メタデータ） (2021-03-02T16:45:08Z) - 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) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-03-15T23:07:56Z)
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。