論文の概要: In-Season Crop Progress in Unsurveyed Regions using Networks Trained on Synthetic Data

• arxiv url: http://arxiv.org/abs/2212.06896v1
• Date: Tue, 13 Dec 2022 20:48:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 14:37:54.711661
• Title: In-Season Crop Progress in Unsurveyed Regions using Networks Trained on Synthetic Data
• Title（参考訳）: 合成データに基づくネットワークを用いた未調査地域の海中作物の進化
• Authors: George Worrall and Jasmeet Judge
• Abstract要約: 季節内作物の進捗情報は、作物のリスクの定量化に有用である。 既存のRSベースの収穫進捗推定手法はすべて、訓練・校正のための真理データに依存している。 新たな手法は、調査対象地域から得られたデータと、調査対象地域向けに生成された合成作物の進捗データを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.19036571490366497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many commodity crops have growth stages during which they are particularly vulnerable to stress-induced yield loss. In-season crop progress information is useful for quantifying crop risk, and satellite remote sensing (RS) can be used to track progress at regional scales. At present, all existing RS-based crop progress estimation (CPE) methods which target crop-specific stages rely on ground truth data for training/calibration. This reliance on ground survey data confines CPE methods to surveyed regions, limiting their utility. In this study, a new method is developed for conducting RS-based in-season CPE in unsurveyed regions by combining data from surveyed regions with synthetic crop progress data generated for an unsurveyed region. Corn-growing zones in Argentina were used as surrogate 'unsurveyed' regions. Existing weather generation, crop growth, and optical radiative transfer models were linked to produce synthetic weather, crop progress, and canopy reflectance data. A neural network (NN) method based upon bi-directional Long Short-Term Memory was trained separately on surveyed data, synthetic data, and two different combinations of surveyed and synthetic data. A stopping criterion was developed which uses the weighted divergence of surveyed and synthetic data validation loss. Net F1 scores across all crop progress stages increased by 8.7% when trained on a combination of surveyed region and synthetic data, and overall performance was only 21% lower than when the NN was trained on surveyed data and applied in the US Midwest. Performance gain from synthetic data was greatest in zones with dual planting windows, while the inclusion of surveyed region data from the US Midwest helped mitigate NN sensitivity to noise in NDVI data. Overall results suggest in-season CPE in other unsurveyed regions may be possible with increased quantity and variety of synthetic crop progress data.
• Abstract（参考訳）: 多くの商品作物は成長段階にあり、特にストレスによる収量減少に弱い。 In-season crop progress informationは作物のリスクの定量化に有用であり、衛星リモートセンシング(RS)は地域規模での進捗を追跡できる。 現段階では、作物特異的な段階を目標とする既存の収穫進捗予測(CPE)手法はすべて、訓練・校正のための真理データに依存している。 この地上調査データへの依存は、調査対象地域に対するCPE手法を限定し、実用性を制限している。 本研究では, サーベイド領域から得られたデータと, サーベイド領域に生成する合成作物の進捗データを組み合わせることで, RSベースのインシーズンCPEを非サーベイド領域で実施するための新しい手法を開発した。 アルゼンチンのトウモロコシ栽培地域は「監視されていない」地域として使われた。 既存の気象生成,作物生育,光放射伝達モデルにより,人工気象,作物の進行,キャノピー反射率のデータが得られた。 双方向長短期記憶に基づくニューラルネットワーク(NN)法を,調査データ,合成データ,および調査データと合成データの2つの異なる組み合わせに基づいて個別に訓練した。 調査データおよび合成データ検証損失の重み付き発散を利用した停止基準を開発した。 調査対象地域と合成データの組み合わせでトレーニングした場合,全作物のF1スコアは8.7%増加し,NNが調査対象データでトレーニングし,米国中西部で適用された場合に比べて総合成績は21%低かった。 合成データによる性能向上はデュアルプランティングウインドウのゾーンで最大であり、米国中西部からの測量された地域データの導入はndviデータにおけるノイズに対するnn感度の軽減に寄与した。 総合的な結果から, 季節内cpeは, 生産量の増加と多種多様化によって可能と考えられた。

関連論文リスト

• A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
  大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。 そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions [20.44172558372343]
  CropNetデータセットは、気候変動を意識した収穫予測を対象とする、最初のテラバイトサイズの、公開可能な、マルチモーダルデータセットである。 CropNetデータセットは、Sentinel-2 Imagery(英語版)、WRF-HRRR(英語版)、USDA Cropd(英語版)の3つのデータからなる。
  論文  参考訳（メタデータ） (2024-06-10T07:54:56Z)
• Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
  農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。 農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。 提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
  論文  参考訳（メタデータ） (2024-02-03T11:07:50Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Domain-guided Machine Learning for Remotely Sensed In-Season Crop Growth Estimation [4.683612295430956]
  ドメイン誘導ニューラルネットワーク(DgNN)は、シーズン内の作物の収量予測に使用される。 州全体のDgNN性能は、シーケンシャルかつ高密度なNN構造よりも大幅に改善されている。 本研究は, 作物生育段階推定(CGSE)におけるNNの生存可能性と, ドメイン知識の活用のメリットを両立させたものである。
  論文  参考訳（メタデータ） (2021-06-24T21:21:35Z)
• 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)

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。