論文の概要: How accurate are existing land cover maps for agriculture in Sub-Saharan Africa?

• arxiv url: http://arxiv.org/abs/2307.02575v2
• Date: Sun, 2 Jun 2024 11:42:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-04 21:20:11.210942
• Title: How accurate are existing land cover maps for agriculture in Sub-Saharan Africa?
• Title（参考訳）: サハラ以南のアフリカにおける既存の土地被覆地図はどの程度正確か?
• Authors: Hannah Kerner, Catherine Nakalembe, Adam Yang, Ivan Zvonkov, Ryan McWeeny, Gabriel Tseng, Inbal Becker-Reshef,
• Abstract要約: EOをベースとしたモニタリングシステムでは、作物に関する情報を提供するために正確な作物地図が必要である。 アフリカ諸国の耕作地を最も正確に識別する多くの土地被覆地図のどれかを決定するためのデータが不足している。
• 参考スコア（独自算出の注目度）: 15.186674512627876
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Satellite Earth observations (EO) can provide affordable and timely information for assessing crop conditions and food production. Such monitoring systems are essential in Africa, where there is high food insecurity and sparse agricultural statistics. EO-based monitoring systems require accurate cropland maps to provide information about croplands, but there is a lack of data to determine which of the many available land cover maps most accurately identify cropland in African countries. This study provides a quantitative evaluation and intercomparison of 11 publicly available land cover maps to assess their suitability for cropland classification and EO-based agriculture monitoring in Africa using statistically rigorous reference datasets from 8 countries. We hope the results of this study will help users determine the most suitable map for their needs and encourage future work to focus on resolving inconsistencies between maps and improving accuracy in low-accuracy regions.
• Abstract（参考訳）: 衛星地球観測(EO)は、作物の状態や食糧生産を評価するための安価でタイムリーな情報を提供することができる。 このような監視システムは、食糧不安全と農業統計の希薄なアフリカでは不可欠である。 EOをベースとしたモニタリングシステムは、作物に関する情報を提供するために正確な作物地図を必要とするが、アフリカ諸国の作物を最も正確に識別する多くの土地被覆地図のうちどれかを特定するためのデータが不足している。 本研究は,アフリカにおける作物の分類とEOに基づく農業モニタリングに適した土地被覆マップを,統計学的に厳密な8カ国の基準データセットを用いて,11の公用土地被覆マップの定量的評価と相互比較を行った。 本研究の結果は、利用者がニーズに合った地図を判断し、地図間の不整合を解消し、低精度領域の精度を向上させることに注力する今後の取り組みを促進するのに役立つと期待する。

関連論文リスト

• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
  バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。 推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
  論文  参考訳（メタデータ） (2024-03-28T09:57:50Z)
• 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)
• 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)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• 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)
• AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk [3.8902094267855163]
  本稿では,クランベリーオーバーヒートアセスメントをリアルタイムに実現し,支援するエンド・ツー・エンドのクランベリー健康モニタリングシステムを開発した。 ドローンによるフィールドデータと地上のスカイデータ収集システムを用いて、作物の健康分析に使用される複数の時点の映像を収集する。 太陽放射予測誤差は5～20分間の地平線で8.41-20.36%のMAPEであることが判明した。
  論文  参考訳（メタデータ） (2020-11-08T20:03:20Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Rapid Response Crop Maps in Data Sparse Regions [4.215938932388722]
  高解像度の農地地図は、特に小作農が支配する地域では、ほとんどの国で容易には利用できない。 作物地図を開発する上での大きな課題は、多くの地域が、作物の土地で容易にアクセスできる真実データを持っていないことである。 本研究では,地上データはほとんど得られていない地域での農地の高速マッピング手法を提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:19:26Z)
• UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture [0.8399688944263843]
  本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。 無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。 セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
  論文  参考訳（メタデータ） (2020-04-29T18:34:48Z)

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。