論文の概要: A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture

• arxiv url: http://arxiv.org/abs/2210.01272v2
• Date: Fri, 15 Dec 2023 04:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 19:58:18.398173
• Title: A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture
• Title（参考訳）: 農業における衛星画像における深層学習の利用に関する体系的考察
• Authors: Brandon Victor, Zhen He, Aiden Nibali
• Abstract要約: 現代のディープラーニング手法は、ほとんどのタスクで従来の機械学習よりも一貫して優れていた。 LSTMリカレントニューラルネットワークは、収量予測のためにランダムフォレストを一貫して上回らなかった。 いくつかの研究は、衛星画像で利用可能な余分なスペクトル分解能を特に利用した。
• 参考スコア（独自算出の注目度）: 8.483010768003613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agricultural research is essential for increasing food production to meet the requirements of an increasing population in the coming decades. Recently, satellite technology has been improving rapidly and deep learning has seen much success in generic computer vision tasks and many application areas which presents an important opportunity to improve analysis of agricultural land. Here we present a systematic review of 150 studies to find the current uses of deep learning on satellite imagery for agricultural research. Although we identify 5 categories of agricultural monitoring tasks, the majority of the research interest is in crop segmentation and yield prediction. We found that, when used, modern deep learning methods consistently outperformed traditional machine learning across most tasks; the only exception was that Long Short-Term Memory (LSTM) Recurrent Neural Networks did not consistently outperform Random Forests (RF) for yield prediction. The reviewed studies have largely adopted methodologies from generic computer vision, except for one major omission: benchmark datasets are not utilised to evaluate models across studies, making it difficult to compare results. Additionally, some studies have specifically utilised the extra spectral resolution available in satellite imagery, but other divergent properties of satellite images - such as the hugely different scales of spatial patterns - are not being taken advantage of in the reviewed studies.
• Abstract（参考訳）: 農業研究は、今後数十年で人口増加の要求を満たすために食糧生産の増加に不可欠である。 近年,衛星技術は急速に進歩し,深層学習は汎用的なコンピュータビジョンタスクや,農地の分析を改善する重要な機会となる多くの応用分野において大きな成功を収めている。 本稿では,衛星画像の深層学習を農業研究に活用するための150の研究の体系的なレビューを紹介する。 農業モニタリングタスクの5つのカテゴリを識別するが、研究の関心の大部分は作物のセグメンテーションと収量予測である。 唯一の例外は、Long Short-Term Memory (LSTM) Recurrent Neural Networksは、収率予測のためにRandom Forests (RF)を一貫して上回らなかったことである。 レビューされた研究は、一般的なコンピュータビジョンの方法論を大まかに採用している: ベンチマークデータセットは研究全体にわたってモデルを評価するために利用されておらず、結果を比較するのが困難である。 さらに、いくつかの研究は、衛星画像で利用可能な余分なスペクトル分解能を特に活用しているが、他の異なる空間パターンのスケールのような衛星画像の異なる特性は、レビューされた研究では利用されていない。

関連論文リスト

• Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis [0.0]
  収穫パターンの生成に時系列リモートセンシングデータを用いた。 分類アルゴリズムは、作物のパターンと地図化された農地の分類に使用される。 本稿では,Deep Neural Network(DNN)に基づく分類を提案し,作物パターン認識の性能向上を図る。
  論文  参考訳（メタデータ） (2024-11-19T17:19:20Z)
• Deep Learning Techniques for Hyperspectral Image Analysis in Agriculture: A Review [7.656687125171926]
  本稿では, 自動エンコーダ, 会話型ニューラルネットワーク (1D, 2D, 3D) , リカレントニューラルネットワーク, ディープリーフネットワーク, ジェネレーション適応型ネットワークなど,近年のディープラーニングアプローチを概観する。 これらの手法の性能は、インドパインズ、サリナスバレー、パヴィア大学など、よく知られた土地被覆データセットで評価され議論されている。
  論文  参考訳（メタデータ） (2023-04-26T23:58:18Z)
• 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)
• A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction [18.981160729510417]
  本稿では,地理的知識と時間的知識を両立させるため,収穫量予測のためのグラフベースの新しいリカレントニューラルネットワークを提案する。 米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
  論文  参考訳（メタデータ） (2021-11-17T04:43:25Z)
• Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
  きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。 本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
  論文  参考訳（メタデータ） (2021-11-11T09:43:56Z)
• SustainBench: Benchmarks for Monitoring the Sustainable Development Goals with Machine Learning [63.192289553021816]
  国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。 近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。 本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
  論文  参考訳（メタデータ） (2021-11-08T18:59:04Z)
• 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)
• Using satellite imagery to understand and promote sustainable development [87.72561825617062]
  持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。 我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。 不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
  論文  参考訳（メタデータ） (2020-09-23T05:20:00Z)
• Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
  本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。 本研究では,主要農作物を含む15種について検討した。 提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2020-04-27T15:39:50Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。