論文の概要: Big Earth Data and Machine Learning for Sustainable and Resilient Agriculture

• arxiv url: http://arxiv.org/abs/2211.12584v1
• Date: Tue, 22 Nov 2022 20:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 14:14:07.230824
• Title: Big Earth Data and Machine Learning for Sustainable and Resilient Agriculture
• Title（参考訳）: 持続可能なレジリエントな農業のためのビッグデータと機械学習
• Authors: Vasileios Sitokonstantinou
• Abstract要約: この論文は、我々の時代の高品質でオープンな地球観測データによって提供される前例のない機会を認識している。 持続的で回復力のある農業のためのアプリケーションを開発するために、機械学習とビッグデータメソッドを導入している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Big streams of Earth images from satellites or other platforms (e.g., drones and mobile phones) are becoming increasingly available at low or no cost and with enhanced spatial and temporal resolution. This thesis recognizes the unprecedented opportunities offered by the high quality and open access Earth observation data of our times and introduces novel machine learning and big data methods to properly exploit them towards developing applications for sustainable and resilient agriculture. The thesis addresses three distinct thematic areas, i.e., the monitoring of the Common Agricultural Policy (CAP), the monitoring of food security and applications for smart and resilient agriculture. The methodological innovations of the developments related to the three thematic areas address the following issues: i) the processing of big Earth Observation (EO) data, ii) the scarcity of annotated data for machine learning model training and iii) the gap between machine learning outputs and actionable advice. This thesis demonstrated how big data technologies such as data cubes, distributed learning, linked open data and semantic enrichment can be used to exploit the data deluge and extract knowledge to address real user needs. Furthermore, this thesis argues for the importance of semi-supervised and unsupervised machine learning models that circumvent the ever-present challenge of scarce annotations and thus allow for model generalization in space and time. Specifically, it is shown how merely few ground truth data are needed to generate high quality crop type maps and crop phenology estimations. Finally, this thesis argues there is considerable distance in value between model inferences and decision making in real-world scenarios and thereby showcases the power of causal and interpretable machine learning in bridging this gap.
• Abstract（参考訳）: 衛星や他のプラットフォーム(例えばドローンや携帯電話)からの地球画像の大規模なストリームは、安価または無償で利用でき、空間的および時間的解像度が向上している。 この論文は、我々の時代の高品質でオープンな地球観測データによってもたらされた前例のない機会を認識し、持続可能で弾力性のある農業のためのアプリケーションの開発に適切に活用するための、新しい機械学習とビッグデータ手法を導入している。 この論文は、共通農業政策(CAP)の監視、食料安全保障の監視、スマートで回復力のある農業への応用の3つの異なるテーマ領域に対処している。 3つのテーマ領域に関連する発展の方法論的革新は、以下の問題に対処する。 i)大地観測(eo)データの処理 二 機械学習モデルの訓練における注釈データの不足及び不足 iii) 機械学習のアウトプットと実行可能なアドバイスのギャップ。 この論文は、データキューブ、分散学習、リンクされたオープンデータ、セマンティックエンリッチメントといったビッグデータ技術が、データルージュを利用して実際のユーザニーズに対処するための知識を抽出する方法について実証した。 さらに、この論文は半教師付きおよび教師なし機械学習モデルの重要性を論じ、希少なアノテーションの常在的課題を回避し、空間と時間におけるモデル一般化を可能にする。 具体的には,高品質な作物型地図や作物表現論の推定を行う上で,基礎的真理データがいかに少ないかを示す。 最後に、この論文は、実際のシナリオにおけるモデル推論と意思決定の間にかなりの距離があることを論じ、このギャップを埋める際に因果的および解釈可能な機械学習の力を示す。

関連論文リスト

• Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
  農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。 ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。 本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-22T14:46:51Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Explainable AI in Grassland Monitoring: Enhancing Model Performance and Domain Adaptability [0.6131022957085438]
  草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。 指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。 本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
  論文  参考訳（メタデータ） (2023-12-13T10:17:48Z)
• Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
  デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-12-06T11:38:26Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and Challenges [4.497634148674422]
  一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。 ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
  論文  参考訳（メタデータ） (2023-10-30T19:12:51Z)
• 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 Data Cube of Big Satellite Image Time-Series for Agriculture Monitoring [0.0]
  共通農業政策(CAP)の近代化は、大規模かつ頻繁な農地の監視を必要とする。 我々は、光学式および合成開口レーダ(SAR)画像の多次元立方体への発見、前処理、インデックス化のための自動化、モジュール化、エンドツーエンドのフレームワークである農業監視データキューブ(ADC)を提案する。 また、ADC上に強力なツールセットを提供しており、i) 下流の機械学習タスクを配信するためのビッグデータの分析可能な特徴空間の生成、i) 監視に関連するサービスを通じての衛星画像時系列(SITS)分析のサポートを含む。
  論文  参考訳（メタデータ） (2022-05-16T15:26:23Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• 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)
• 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)

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。