論文の概要: Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models

• arxiv url: http://arxiv.org/abs/2301.01918v2
• Date: Tue, 11 Mar 2025 06:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:15:58.577093
• Title: Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models
• Title（参考訳）: DESISハイパースペクトルデータによる植物種多様性予測:特徴抽出法と回帰モデルの比較研究
• Authors: Yiqing Guo, Karel Mokany, Cindy Ong, Peyman Moghadam, Simon Ferrier, Shaun R. Levick,
• Abstract要約: 本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。 DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。 また,植物種多様性の予測において,DSISハイパースペクトルデータの方がSentinel-2マルチスペクトルデータよりも優れていた。
• 参考スコア（独自算出の注目度）: 2.847789554498696
• License:
• Abstract: The diversity of terrestrial vascular plants plays a key role in maintaining the stability and productivity of ecosystems. Airborne hyperspectral imaging has shown promise for measuring plant diversity remotely, but to operationalise these efforts over large regions we need to advance satellite-based alternatives. The advanced spectral and spatial specification of the recently launched DESIS (the DLR Earth Sensing Imaging Spectrometer) instrument provides a unique opportunity to test the potential for monitoring plant species diversity with spaceborne hyperspectral data. This study provides a quantitative assessment on the ability of DESIS hyperspectral data for predicting plant species richness in two different habitat types in southeast Australia. Spectral features were first extracted from the DESIS spectra, then regressed against on-ground estimates of plant species richness, with a two-fold cross validation scheme to assess the predictive performance. We tested and compared the effectiveness of Principal Component Analysis (PCA), Canonical Correlation Analysis (CCA), and Partial Least Squares analysis (PLS) for feature extraction, and Kernel Ridge Regression (KRR), Gaussian Process Regression (GPR), and Random Forest Regression (RFR) for species richness prediction. The best prediction results were $r=0.76$ and $\text{RMSE}=5.89$ for the Southern Tablelands region, and $r=0.68$ and $\text{RMSE}=5.95$ for the Snowy Mountains region. Relative importance analysis for the DESIS spectral bands showed that the red-edge, red, and blue spectral regions were more important for predicting plant species richness than the green bands and the near-infrared bands beyond red-edge. We also found that the DESIS hyperspectral data performed better than Sentinel-2 multispectral data in the prediction of plant species richness.
• Abstract（参考訳）: 地上の血管植物の多様性は、生態系の安定性と生産性を維持する上で重要な役割を担っている。 大気中のハイパースペクトルイメージングは、遠隔で植物の多様性を測定することを約束していますが、これらの取り組みを大きな領域にわたって運用するには、衛星ベースの代替手段を前進する必要があります。 DLR Earth Sensing Imaging Spectrometer(DLR Earth Sensing Imaging Spectrometer)の先進的なスペクトルと空間仕様は、宇宙からのハイパースペクトルデータによって植物種の多様性をモニタリングする可能性をテストするユニークな機会を提供する。 本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。 最初にDSISスペクトルからスペクトルの特徴を抽出し、その後、予測性能を評価するための2倍のクロスバリデーションスキームを用いて、植物種の豊かさの地上推定に対して回帰した。 特徴抽出のための主成分分析(PCA)、正準相関分析(CCA)、部分最小方形分析(PLS)、および種多様性予測のためのケルネルリッジ回帰(KRR)、ガウスプロセス回帰(GPR)、ランダムフォレスト回帰(RFR)の有効性を検討した。 最も良い予測結果は、サザン・テーブルランド地域では$r=0.76$と$\text{RMSE}=5.89$、スノーニー山脈地域では$r=0.68$と$\text{RMSE}=5.95$であった。 DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。 また,植物種多様性の予測において,DSISハイパースペクトルデータの方がSentinel-2マルチスペクトルデータよりも優れていた。

関連論文リスト

• LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data [2.5537500385691594]
  シアノバクテリアの早期警報システム(EWS)は、タイムリーな管理対策の実装を可能にする。 本稿では,6年間の非完全高周波時間データを用いたシアノバクテリアの開花予測に有効なEWSを提案する。 その結果,ハイブリッドシステムで評価した4日から28日間の7つの予測時間地平線について分析した。
  論文  参考訳（メタデータ） (2024-10-09T15:13:24Z)
• 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)
• Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
  本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。 インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
  論文  参考訳（メタデータ） (2024-04-17T17:57:20Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Quantitative Assessment of DESIS Hyperspectral Data for Plant Biodiversity Estimation in Australia [1.8757823231879849]
  本研究は,DLR Earth Sensing Imaging Spectrometer (DESIS) が捉えた高スペクトルデータを用いて植物種多様性を推定する能力について検討した。 最高のパフォーマンスモデルでは、r$が0.71ドル、RMSEが5.99ドル、r$が0.62ドル、RMSEが6.20ドルである。
  論文  参考訳（メタデータ） (2022-07-06T07:14:55Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。