論文の概要: Top-down Green-ups: Satellite Sensing and Deep Models to Predict
Buffelgrass Phenology
- arxiv url: http://arxiv.org/abs/2310.00740v1
- Date: Sun, 1 Oct 2023 17:35:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 02:17:55.866679
- Title: Top-down Green-ups: Satellite Sensing and Deep Models to Predict
Buffelgrass Phenology
- Title(参考訳): トップダウングリーンアップ:バッフェルグラス現象予測のための衛星センシングと深層モデル
- Authors: Lucas Rosenblatt, Bin Han, Erin Posthumus, Theresa Crimmins, Bill Howe
- Abstract要約: バッフルグラスの「緑化」予測問題への取り組み
予測を行うため,衛星センシングと深層学習を組み合わせた時間的・視覚的・マルチモーダルモデルについて検討する。
- 参考スコア(独自算出の注目度): 8.721284177865444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An invasive species of grass known as "buffelgrass" contributes to severe
wildfires and biodiversity loss in the Southwest United States. We tackle the
problem of predicting buffelgrass "green-ups" (i.e. readiness for herbicidal
treatment). To make our predictions, we explore temporal, visual and
multi-modal models that combine satellite sensing and deep learning. We find
that all of our neural-based approaches improve over conventional buffelgrass
green-up models, and discuss how neural model deployment promises significant
resource savings.
- Abstract(参考訳): バッフルグラス」と呼ばれる外来種の草は、アメリカ合衆国南西部で深刻な山火事と生物多様性の喪失に寄与している。
我々は,バッフルグラスの「グリーンアップ」 (すなわち除草剤の適応) を予測する問題に取り組む。
予測を行うため,衛星センシングと深層学習を組み合わせた時間的・視覚的・マルチモーダルモデルについて検討する。
従来のバッフルグラスグリーンアップモデルよりも、ニューラルベースアプローチがすべて改善していることが分かり、ニューラルモデルデプロイメントがいかに大きなリソース節約を約束するかについて議論する。
関連論文リスト
- Forecasting the Future with Future Technologies: Advancements in Large Meteorological Models [3.332582598089642]
気象予報の分野は、大きなモデルの統合によって大きな変化を遂げた。
FourCastNet、Pangu-Weather、GraphCast、ClimaX、FengWuといったモデルは、正確で高精度な予測を提供することで、顕著な貢献をしている。
論文 参考訳(メタデータ) (2024-04-10T00:52:54Z) - A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa [3.6826233660285395]
ロカスト群れは農業と食料安全保障に 大きな脅威を与えます
本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
論文 参考訳(メタデータ) (2024-03-11T16:13:58Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳(メタデータ) (2023-11-02T02:00:27Z) - Volterra Accentuated Non-Linear Dynamical Admittance (VANYA) to model
Deforestation: An Exemplification from the Amazon Rainforest [0.0]
アルゴリズム学習は神経科学、遺伝学、人間とコンピュータの相互作用といった先進的な分野を持っている。
本稿では,プレデター・プレイ・ダイナミクスを取り入れたVANYAモデルを用いて森林の損失をモデル化することに焦点を当てる。
論文 参考訳(メタデータ) (2023-08-12T05:28:49Z) - Bird Distribution Modelling using Remote Sensing and Citizen Science
data [31.375576105932442]
気候変動は生物多様性の喪失の主要な要因である。
種の分布には大きな知識ギャップがある。
本稿では,コンピュータビジョンを利用した種分散モデルの改良手法を提案する。
論文 参考訳(メタデータ) (2023-05-01T20:27:11Z) - Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。
また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。
我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
論文 参考訳(メタデータ) (2023-03-28T17:59:05Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳(メタデータ) (2022-08-23T16:04:12Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z)
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。