論文の概要: Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2

• arxiv url: http://arxiv.org/abs/2212.09681v1
• Date: Mon, 19 Dec 2022 18:09:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 15:53:10.072313
• Title: Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2
• Title（参考訳）: GEDIとSentinel-2を用いた世界規模における高作・短作の年間フィールドスケール地図の作成
• Authors: Stefania Di Tommaso, Sherrie Wang, Vivek Vajipey, Noel Gorelick, Rob Strey, David B. Lobell
• Abstract要約: 我々は,2019-2021年の10m分解能で世界規模で,短い作物と高い作物の壁面マップを開発した。 GEDIリターンは、極端な視角や地形傾斜のあるショットを取り除いた後に、高さと短い作物に確実に分類することができる。 GEDI-S2は、何千ものローカルリファレンストレーニングポイントで訓練されたモデルとほぼ同等の性能を発揮した。
• 参考スコア（独自算出の注目度）: 11.379287122235954
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Crop type maps are critical for tracking agricultural land use and estimating crop production. Remote sensing has proven an efficient and reliable tool for creating these maps in regions with abundant ground labels for model training, yet these labels remain difficult to obtain in many regions and years. NASA's Global Ecosystem Dynamics Investigation (GEDI) spaceborne lidar instrument, originally designed for forest monitoring, has shown promise for distinguishing tall and short crops. In the current study, we leverage GEDI to develop wall-to-wall maps of short vs tall crops on a global scale at 10 m resolution for 2019-2021. Specifically, we show that (1) GEDI returns can reliably be classified into tall and short crops after removing shots with extreme view angles or topographic slope, (2) the frequency of tall crops over time can be used to identify months when tall crops are at their peak height, and (3) GEDI shots in these months can then be used to train random forest models that use Sentinel-2 time series to accurately predict short vs. tall crops. Independent reference data from around the world are then used to evaluate these GEDI-S2 maps. We find that GEDI-S2 performed nearly as well as models trained on thousands of local reference training points, with accuracies of at least 87% and often above 90% throughout the Americas, Europe, and East Asia. Systematic underestimation of tall crop area was observed in regions where crops frequently exhibit low biomass, namely Africa and South Asia, and further work is needed in these systems. Although the GEDI-S2 approach only differentiates tall from short crops, in many landscapes this distinction goes a long way toward mapping the main individual crop types. The combination of GEDI and Sentinel-2 thus presents a very promising path towards global crop mapping with minimal reliance on ground data.
• Abstract（参考訳）: 作物型地図は農業用地の利用を追跡し、作物生産量を推定するために重要である。 リモートセンシングは、モデルトレーニングのための豊富な地上ラベルを持つ地域でこれらの地図を作成するための効率的で信頼性の高いツールであることが証明されている。 NASAのGEDI(Global Ecosystem Dynamics Investigation)は、もともと森林モニタリング用に設計されたライダー装置で、背の高い作物と短い作物を区別することを約束している。 本研究ではGEDIを利用して,2019-2021年の10m解像度の世界規模で,短い作物と高い作物の壁面マップを作成する。 具体的には,(1)極端視角のショットや地形傾斜のショットを除去した後,GEDIのリターンを高い作物と短い作物に確実に分類し,(2)高作が最高地点の月を識別するために,(2)高作の頻度を用いて,(3)高作と高作を正確に予測するためにSentinel-2時系列を用いたランダムな森林モデルの訓練に,GEDIのリターンを使用できることを示す。 その後、世界中の独立した参照データをGEDI-S2マップの評価に用いる。 GEDI-S2は,少なくとも87%の精度で,アメリカ,ヨーロッパ,東アジアの90%以上で,何千もの参照トレーニングポイントでトレーニングされたモデルと同等に近い性能を示した。 作物がしばしば低バイオマス(アフリカと南アジア)を産出する地域では,高い作物面積の体系的過小評価が観察され,これらのシステムには更なる作業が必要である。 GEDI-S2アプローチは、短い作物と背が高い作物だけを区別するが、多くの風景において、この区別は主要な個々の作物のタイプをマッピングするのに長い道のりを辿っている。 GEDIとSentinel-2の組み合わせは、地上データへの依存を最小限に抑えて、地球規模の作物マッピングへの非常に有望な道を示す。

関連論文リスト

• Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
  我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。 我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。 我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
  論文  参考訳（メタデータ） (2024-01-31T16:44:20Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• 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)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• 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)
• 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)
• Using Machine Learning to generate an open-access cropland map from satellite images time series in the Indian Himalayan Region [0.28675177318965034]
  我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。 ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
  論文  参考訳（メタデータ） (2022-03-28T12:08:06Z)
• Combining GEDI and Sentinel-2 for wall-to-wall mapping of tall and short crops [0.0]
  我々は,NASAの地球環境ダイナミクス調査(GEDI)とSentinel-2光データを組み合わせて作物型マッピングを行った。 GEDIのエネルギープロファイルは、通常高さ2メートル以上のトウモロコシを、より短い米や大豆などの作物と確実に区別することができる。 GEDIは、アキュラシーが84%以上で、アキュラシーが82%以上である地域をまたいで移動することができる。
  論文  参考訳（メタデータ） (2021-09-10T16:55:50Z)
• 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)
• 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。