論文の概要: Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time
Series with Farmers Crop Rotations and Local Crop Distribution
- arxiv url: http://arxiv.org/abs/2208.10838v1
- Date: Tue, 23 Aug 2022 09:41:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:25:34.397286
- Title: Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time
Series with Farmers Crop Rotations and Local Crop Distribution
- Title（参考訳）: 農作物回転と局所作物分布を考慮したマルチスペクトル衛星時系列を用いたマルチモーダル作物分類
- Authors: Valentin Barriere and Martin Claverie
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate, detailed, and timely crop type mapping is a very valuable
information for the institutions in order to create more accurate policies
according to the needs of the citizens. In the last decade, the amount of
available data dramatically increased, whether it can come from Remote Sensing
(using Copernicus Sentinel-2 data) or directly from the farmers (providing
in-situ crop information throughout the years and information on crop
rotation). Nevertheless, the majority of the studies are restricted to the use
of one modality (Remote Sensing data or crop rotation) and never fuse the Earth
Observation data with domain knowledge like crop rotations. Moreover, when they
use Earth Observation data they are mainly restrained to one year of data, not
taking into account the past years. In this context, we propose to tackle a
land use and crop type classification task using three data types, by using a
Hierarchical Deep Learning algorithm modeling the crop rotations like a
language model, the satellite signals like a speech signal and using the crop
distribution as additional context vector. We obtained very promising results
compared to classical approaches with significant performances, increasing the
Accuracy by 5.1 points in a 28-class setting (.948), and the micro-F1 by 9.6
points in a 10-class setting (.887) using only a set of crop of interests
selected by an expert. We finally proposed a data-augmentation technique to
allow the model to classify the crop before the end of the season, which works
surprisingly well in a multimodal setting.
- Abstract（参考訳）: 正確な、詳細な、タイムリーな作物型マッピングは、市民のニーズに応じてより正確な政策を作成するために、機関にとって非常に貴重な情報である。
過去10年間で、リモートセンシング(Copernicus Sentinel-2データ)からでも、農家から直接でも(年間を通じて作物の情報と作物の回転に関する情報を提供する)、利用可能なデータの量は劇的に増加した。
それでも、ほとんどの研究は1つのモダリティ(リモートセンシングデータや作物の回転)の使用に制限されており、地球観測データを作物の回転のようなドメイン知識と融合させることはない。
さらに、地球観測データを使用する場合、主に1年間のデータに制限され、過去年を考慮に入れない。
本研究では,言語モデルのように作物の回転をモデル化する階層的ディープラーニングアルゴリズムと,音声信号のような衛星信号と,作物分布を付加的な文脈ベクトルとして用いることで,3つのデータ型を用いた土地利用・作物種別分類課題に取り組むことを提案する。
その結果,28級では5.1ポイント,10級では9.6ポイント,専門家が選択した一組の関心事のみを用いて,マイクロF1が9.6ポイントの精度向上を実現した。
最終的に,モデルが季節の終わりまでに作物を分類できるデータ提供手法を提案し,マルチモーダル環境では驚くほどうまく機能することを示した。
関連論文リスト
- 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) - SICKLE: A Multi-Sensor Satellite Imagery Dataset Annotated with Multiple
Key Cropping Parameters [3.5212817105808627]
SICKLEと呼ばれるファースト・オブ・ザ・キンドのデータセットを導入する。
ランドサット8、センチネル1、センチネル2の3つの異なる衛星からの多重解像度画像の時系列を構成する。
我々はSICKLEを作物の種類、作物の表現学(播種、移植、収穫)、収量予測の3つのタスクでベンチマークした。
論文 参考訳（メタデータ） (2023-11-29T21:20:58Z) - 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) - The Canadian Cropland Dataset: A New Land Cover Dataset for
Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。
このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。
ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
論文 参考訳（メタデータ） (2023-05-31T18:40:15Z) - 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) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳（メタデータ） (2023-03-21T15:02:50Z) - 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) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - High-Resolution Satellite Imagery for Modeling the Impact of
Aridification on Crop Production [2.5402662954395097]
我々は3つの異なる衛星から異なる空間解像度の時系列画像を持つ、第一種データセットSICKLEを紹介した。
このデータセットは、デルタ州の4つの地区に分布する388個のプロットから、季節ごとに2,398個のサンプルで構成されている。
本データセットは,作物の種類,表現年月日(播種,移植,収穫),収量予測の3つの異なるタスクについてベンチマークし,実環境において重要な作物パラメータを予測するためのエンドツーエンドのフレームワークを開発する。
論文 参考訳（メタデータ） (2022-09-25T14:54:50Z) - Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for
Fine-grained Imbalanced Data Classification [63.916371837696396]
細粒度分類は、類似のグローバル知覚とパターンを持つ項目を区別することを目的としているが、細部によって異なる。
私たちの主な課題は、小さなクラス間バリエーションと大きなクラス内バリエーションの両方から来ています。
我々は,野生生物の利用事例における細粒度分類を改善するため,いくつかの革新を組み合わせることを提案する。
論文 参考訳（メタデータ） (2021-03-21T02:01:38Z) - Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文 参考訳（メタデータ） (2020-10-15T15:36:58Z)
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。