Fugu-MT 論文翻訳(概要): Image-Based Soil Organic Carbon Remote Sensing from Satellite Images with Fourier Neural Operator and Structural Similarity

論文の概要: Image-Based Soil Organic Carbon Remote Sensing from Satellite Images with Fourier Neural Operator and Structural Similarity

arxiv url: http://arxiv.org/abs/2311.13016v1
Date: Tue, 21 Nov 2023 21:44:45 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 16:57:42.611190
Title: Image-Based Soil Organic Carbon Remote Sensing from Satellite Images with Fourier Neural Operator and Structural Similarity
Title（参考訳）: フーリエニューラルネットワークを用いた衛星画像からの土壌有機炭素リモートセンシングと構造類似性
Authors: Ken C. L. Wong, Levente Klein, Ademir Ferreira da Silva, Hongzhi Wang, Jitendra Singh, Tanveer Syeda-Mahmood
Abstract要約: 土壌有機炭素(SOC)は、土壌中の大気中の二酸化炭素の移動と貯蔵である。フーリエニューラル演算子(FNO)に基づくFNO-DenseNetを提案する。 FNO-DenseNetは、ピクセルベースのランダムフォレストを平均絶対パーセンテージ誤差で18%上回った。
参考スコア（独自算出の注目度）: 3.754227691377835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Soil organic carbon (SOC) sequestration is the transfer and storage of atmospheric carbon dioxide in soils, which plays an important role in climate change mitigation. SOC concentration can be improved by proper land use, thus it is beneficial if SOC can be estimated at a regional or global scale. As multispectral satellite data can provide SOC-related information such as vegetation and soil properties at a global scale, estimation of SOC through satellite data has been explored as an alternative to manual soil sampling. Although existing studies show promising results, they are mainly based on pixel-based approaches with traditional machine learning methods, and convolutional neural networks (CNNs) are uncommon. To study the use of CNNs on SOC remote sensing, here we propose the FNO-DenseNet based on the Fourier neural operator (FNO). By combining the advantages of the FNO and DenseNet, the FNO-DenseNet outperformed the FNO in our experiments with hundreds of times fewer parameters. The FNO-DenseNet also outperformed a pixel-based random forest by 18% in the mean absolute percentage error.
Abstract（参考訳）: 土壌有機炭素 (SOC) の隔離は、土壌中の大気中の二酸化炭素の移動と貯蔵であり、気候変動の緩和に重要な役割を果たしている。 SOC濃度は適切な土地利用によって改善できるため、地域規模や世界規模でSOCを推定できれば有益である。多スペクトル衛星データによって植生や土壌特性などのSOC関連情報を世界規模で提供できるため、衛星データによるSOC推定は、手動土壌サンプリングの代替として検討されている。既存の研究では有望な結果を示しているが、それらは主に従来の機械学習手法によるピクセルベースのアプローチに基づいており、畳み込みニューラルネットワーク(CNN)は一般的ではない。 SOCリモートセンシングにおけるCNNの利用を研究するために、フーリエニューラル演算子(FNO)に基づくFNO-DenseNetを提案する。 FNOとDenseNetの利点を組み合わせることで、FNO-DenseNetは数百倍のパラメータでFNOよりも優れています。 FNO-DenseNetは、ピクセルベースのランダムフォレストを平均絶対パーセンテージ誤差で18%上回った。

関連論文リスト

Soil Organic Carbon Estimation from Climate-related Features with Graph Neural Network [0.0]
土壌有機炭素(SOC)は、地球規模の炭素循環において重要な役割を担い、気候動態に影響し、持続可能な土地と農業管理の正確な評価を必要とする。最近の技術ソリューションは、リモートセンシング、機械学習、高解像度衛星マッピングを利用する。本研究では, 土壌と気候の複雑な関係を捉えるために, 位置エンコーダの4つのGNN演算子を比較した。その結果, PESAGEモデルとPETransformerモデルは, SOC推定において他のモデルよりも優れており, SOCと気候特性の複雑な関係を捉える可能性が示唆された。
論文参考訳（メタデータ） (2023-11-27T16:25:12Z)
SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
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。
論文参考訳（メタデータ） (2023-08-07T13:44:44Z)
Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文参考訳（メタデータ） (2022-11-18T17:25:14Z)
Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文参考訳（メタデータ） (2022-10-31T04:04:03Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2021-12-02T12:04:59Z)
LAI Estimation of Cucumber Crop Based on Improved Fully Convolutional Network [4.8073478797551825]
葉面積指数は、農業における作物収量推定に非常に重要です。 LAIを正確かつ効率的に測定する方法は、作物収量推定問題の鍵です。リモートセンシング技術は地球近傍のLAI計測には適していない。ディープラーニングは多くの分野で広く使われている。
論文参考訳（メタデータ） (2021-04-16T08:12:06Z)
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)
SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。冗長フィルタは、異なる特徴の逆数過程において発見できる。提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
論文参考訳（メタデータ） (2020-10-21T03:02:01Z)
Predicting and Mapping of Soil Organic Carbon Using Machine Learning Algorithms in Northern Iran [0.0]
本研究では,支援ベクトルマシン,人工ニューラルネットワーク,回帰木,ランダムフォレスト,極勾配向上,および従来の深部ニューラルネットワークを用いて,SOCの予測モデルを前進させる機械学習アルゴリズムを提案する。モデルは、1879年の複合表層土壌サンプルと105の補助データで訓練されている。
論文参考訳（メタデータ） (2020-07-12T08:23:24Z)
Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。本研究では,主要農作物を含む15種について検討した。提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
論文参考訳（メタデータ） (2020-04-27T15:39:50Z)

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。