論文の概要: SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction

• arxiv url: http://arxiv.org/abs/2308.03586v3
• Date: Wed, 14 Aug 2024 08:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-08-15 18:46:43.182737
• Title: SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction
• Title（参考訳）: SSL-SoilNet:大規模土壌有機炭素予測のための自己監督学習型ハイブリッドトランスフォーマーベースフレームワーク
• Authors: Nafiseh Kakhani, Moien Rangzan, Ali Jamali, Sara Attarchi, Seyed Kazem Alavipanah, Michael Mommert, Nikolaos Tziolas, Thomas Scholten,
• Abstract要約: 本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
• 参考スコア（独自算出の注目度）: 2.554658234030785
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Soil Organic Carbon (SOC) constitutes a fundamental component of terrestrial ecosystem functionality, playing a pivotal role in nutrient cycling, hydrological balance, and erosion mitigation. Precise mapping of SOC distribution is imperative for the quantification of ecosystem services, notably carbon sequestration and soil fertility enhancement. Digital soil mapping (DSM) leverages statistical models and advanced technologies, including machine learning (ML), to accurately map soil properties, such as SOC, utilizing diverse data sources like satellite imagery, topography, remote sensing indices, and climate series. Within the domain of ML, self-supervised learning (SSL), which exploits unlabeled data, has gained prominence in recent years. This study introduces a novel approach that aims to learn the geographical link between multimodal features via self-supervised contrastive learning, employing pretrained Vision Transformers (ViT) for image inputs and Transformers for climate data, before fine-tuning the model with ground reference samples. The proposed approach has undergone rigorous testing on two distinct large-scale datasets, with results indicating its superiority over traditional supervised learning models, which depends solely on labeled data. Furthermore, through the utilization of various evaluation metrics (e.g., RMSE, MAE, CCC, etc.), the proposed model exhibits higher accuracy when compared to other conventional ML algorithms like random forest and gradient boosting. This model is a robust tool for predicting SOC and contributes to the advancement of DSM techniques, thereby facilitating land management and decision-making processes based on accurate information.
• Abstract（参考訳）: 土壌有機炭素(SOC)は地球生態系の機能の基本的な構成要素であり、栄養循環、水力収支、浸食緩和において重要な役割を担っている。 SOC分布の精密マッピングは生態系サービスの定量化に不可欠である。 デジタル土壌マッピング(DSM)は、機械学習(ML)を含む統計モデルと先進技術を活用して、衛星画像、地形、リモートセンシング指標、気候系列などの多様なデータソースを活用して、SOCのような土壌特性を正確にマッピングする。 MLの領域内では、ラベルのないデータを活用する自己教師付き学習(SSL)が近年人気を集めている。 本研究では,自己指導型コントラスト学習によるマルチモーダル特徴の地理的関係の学習を目的とした,事前学習型視覚変換器(ViT)と気候データ型変換器(Transformer)を併用する手法を提案する。 提案手法は、ラベル付きデータのみに依存する従来の教師付き学習モデルよりも優れていることを示すとともに、2つの異なる大規模データセットに対して厳密なテストを行っている。 さらに,様々な評価指標(例えば,RMSE,MAE,CCなど)を活用することにより,ランダムフォレストや勾配向上といった従来のMLアルゴリズムと比較して精度が向上する。 このモデルは、SOC予測のための堅牢なツールであり、DSM技術の進歩に寄与し、正確な情報に基づく土地管理と意思決定プロセスを容易にする。

関連論文リスト

• DOGMA: Weaving Structural Information into Data-centric Single-cell Transcriptomics Analysis [43.565183518761984]
  生データの構造的再構成と意味的拡張を目的としたデータ中心型フレームワークであるDOGMAを提案する。 複雑な多種多様なベンチマークにおいて、DOGMA SOTA性能は優れたゼロショットロバスト性とサンプル効率を示す。
  論文  参考訳（メタデータ） (2026-02-02T09:10:09Z)
• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results [8.556682505387199]
  FTBSC-KGMLは、事前学習と微調整に基づく空間変数認識、知識誘導型機械学習フレームワークである。 移動学習と空間的不均一性を活用しながら、土地の放出を推定する。 これは純粋にグローバルなモデルよりも低い検証誤差と説明力の整合性を達成する。
  論文  参考訳（メタデータ） (2025-12-17T22:40:54Z)
• Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye [0.0]
  カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T08:09:55Z)
• Modern Neural Networks for Small Tabular Datasets: The New Default for Field-Scale Digital Soil Mapping? [0.0937465283958018]
  我々は、予測土壌モデリングのための最先端の人工知能ニューラルネットワーク(ANN)を評価するベンチマークを導入する。 評価対象は,30～460の試料と3つの土壌特性を含む31の野外・農地規模のデータセットを含む。 フィールドスケールPSMに対する現代のANNの採用を推奨し、すべてのペドメトリアンのツールキットにおける新しいデフォルト選択としてTabPFNを提案する。
  論文  参考訳（メタデータ） (2025-08-13T15:46:12Z)
• GreenHyperSpectra: A multi-source hyperspectral dataset for global vegetation trait prediction [15.87410077173391]
  実世界のクロスセンサーとクロスエコシステムのサンプルを含む事前学習データセットであるGreenHyperSpectraを提示する。 ラベル効率のよい多出力回帰モデルにグリーンHyperSpectraをうまく活用する。 我々の経験的分析は、特性予測のためのスペクトル表現の学習において大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-07-09T12:51:46Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• FTA-FTL: A Fine-Tuned Aggregation Federated Transfer Learning Scheme for Lithology Microscopic Image Classification [4.245694283697248]
  この研究には2つのフェーズがあり、第1に、転送学習を用いて小さなデータセット上でLithology microscopic image classificationを行う。 第2フェーズでは、フェデレート・トランスファーラーニング・スキームに分類タスクを定式化し、フェデレート・ラーニングのためのファインチューニング・アグリゲーション・ストラテジー(FTA-FTL)を提案した。 その結果,提案手法の効率性は良好であり,FTA-FTLアルゴリズムがLithology microscopic image classification taskの集中的実装により得られたほぼ同じ結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-06T19:32:14Z)
• Language Models as Zero-shot Lossless Gradient Compressors: Towards General Neural Parameter Prior Models [56.00251589760559]
  大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。 本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。 実験により、LM-GCは既存の最先端のロスレス圧縮手法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-09-26T13:38:33Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
  オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。 このデータセットは、草種の重複と分布のため、困難な課題を示す。 データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-07-25T18:27:27Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
  本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。 本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。 C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
  論文  参考訳（メタデータ） (2024-06-21T19:55:34Z)
• GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping [2.7998963147546148]
  本研究では,ラベルのない地理空間データのみを用いて,バックボーンニューラルネットワークを自己教師型で学習する自己教師型アプローチを提案する。 以上の結果から,自己超越が学習特徴の堅牢性を促進し,予測精度が向上することが示唆された。 我々は、説明可能な人工知能技術を利用して、個々の予測が地質学的観点から解釈できることを実証する。
  論文  参考訳（メタデータ） (2024-06-18T16:24:28Z)
• MT-HCCAR: Multi-Task Deep Learning with Hierarchical Classification and Attention-based Regression for Cloud Property Retrieval [4.24122904716917]
  本稿では,マルチタスク学習を用いたエンドツーエンドディープラーニングモデルMT-HCCARを紹介し,クラウドマスキング,クラウドフェーズ検索,COT予測について述べる。 MT-HCCARは階層型分類ネットワーク(HC)と分類支援型注意ベース回帰ネットワーク(CAR)を統合し、クラウドラベリングとCOT予測の精度と堅牢性を高める。
  論文  参考訳（メタデータ） (2024-01-29T19:50:50Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• 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)
• 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)
• From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling [2.9897531698031403]
  本稿では,入力とパラメータのグローバルマッピングを効率的に学習する,微分可能なパラメータ学習フレームワークを提案する。 トレーニングデータが増加するにつれて、dPLはより良いパフォーマンス、より物理的コヒーレンス、より良い一般化性を達成する。 土壌の水分と流水から学んだ例を示し,dPLが既存の進化的・地域的手法を著しく上回った。
  論文  参考訳（メタデータ） (2020-07-30T21:38:56Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。