論文の概要: HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing

• arxiv url: http://arxiv.org/abs/2308.12061v2
• Date: Wed, 6 Mar 2024 00:45:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 18:16:19.250647
• Title: HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing
• Title（参考訳）: HarvestNet:ハーベスト・パイルとリモートセンシングを用いた小作農活動検出用データセット
• Authors: Jonathan Xu, Amna Elmustafa, Liya Weldegebriel, Emnet Negash, Richard Lee, Chenlin Meng, Stefano Ermon, David Lobell
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.4506590177605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small farms contribute to a large share of the productive land in developing countries. In regions such as sub-Saharan Africa, where 80\% of farms are small (under 2 ha in size), the task of mapping smallholder cropland is an important part of tracking sustainability measures such as crop productivity. However, the visually diverse and nuanced appearance of small farms has limited the effectiveness of traditional approaches to cropland mapping. Here we introduce a new approach based on the detection of harvest piles characteristic of many smallholder systems throughout the world. We present HarvestNet, a dataset for mapping the presence of farms in the Ethiopian regions of Tigray and Amhara during 2020-2023, collected using expert knowledge and satellite images, totaling 7k hand-labeled images and 2k ground-collected labels. We also benchmark a set of baselines, including SOTA models in remote sensing, with our best models having around 80\% classification performance on hand labelled data and 90\% and 98\% accuracy on ground truth data for Tigray and Amhara, respectively. We also perform a visual comparison with a widely used pre-existing coverage map and show that our model detects an extra 56,621 hectares of cropland in Tigray. We conclude that remote sensing of harvest piles can contribute to more timely and accurate cropland assessments in food insecure regions. The dataset can be accessed through https://figshare.com/s/45a7b45556b90a9a11d2, while the code for the dataset and benchmarks is publicly available at https://github.com/jonxuxu/harvest-piles
• Abstract（参考訳）: 小さな農場は発展途上国の生産地の大部分に寄与している。 サハラ以南のアフリカでは、農場の80%が(2ヘクタール以下)小さいため、小規模の農地を地図化することが、作物の生産性などの持続可能性の指標を追跡する重要な役割である。 しかし、小さな農場の視覚的に多様で曖昧な外観は、農地マッピングに対する伝統的なアプローチの有効性を制限している。 ここでは,世界中の小作システムに特徴的な収穫杭の検出に基づく新しい手法を提案する。 本研究は,2020～2023年,エチオピアのtigrayとamhara地域における農業の分布を,専門家の知識と衛星画像を用いて,7kの手書き画像と2kの地中ラベルを用いてマッピングするためのデータセットであるvestenetを提案する。 また、リモートセンシングにおけるSOTAモデルを含む一連のベースラインをベンチマークし、手ラベル付きデータに約80\%の分類性能、TigrayとAmharaの地上真実データに約90\%と98\%の精度で評価した。 また,広範に使用されていたカバレッジマップとの比較を行い,ティグレイで56,621ヘクタールの作物を検出できることを示した。 農作物のリモートセンシングは,食品の安全性の低い地域で,よりタイムリーかつ正確な農地評価に寄与すると考えられる。 データセットはhttps://figshare.com/s/45a7b45556b90a9a11d2でアクセスでき、データセットとベンチマークのコードはhttps://github.com/jonxuxu/harvest-pilesで公開されている。

関連論文リスト

• Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
  私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。 本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• SICKLE: A Multi-Sensor Satellite Imagery Dataset Annotated with Multiple Key Cropping Parameters [3.5212817105808627]
  SICKLEと呼ばれるファースト・オブ・ザ・キンドのデータセットを導入する。 ランドサット8、センチネル1、センチネル2の3つの異なる衛星からの多重解像度画像の時系列を構成する。 我々はSICKLEを作物の種類、作物の表現学(播種、移植、収穫)、収量予測の3つのタスクでベンチマークした。
  論文  参考訳（メタデータ） (2023-11-29T21:20:58Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• 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)
• 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)
• Field-Level Crop Type Classification with k Nearest Neighbors: A Baseline for a New Kenya Smallholder Dataset [4.83420384410068]
  非定型的な2019年の主要成長期に収集されたケニア西部のデータセットのコンテキストを提供する。 そこで我々は, 高速で解釈可能な, スケーラブルな手法であるNearest Neighborsを用いて, トウモロコシの64%,キャッサバの70%の分類精度を実証した。
  論文  参考訳（メタデータ） (2020-04-06T22:24:44Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。