論文の概要: Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach
- arxiv url: http://arxiv.org/abs/2401.15875v1
- Date: Mon, 29 Jan 2024 04:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 16:01:56.150690
- Title: Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach
- Title(参考訳): 作物型マッピングのための衛星データと気象データを組み合わせた逆モデリング手法
- Authors: Praveen Ravirathinam, Rahul Ghosh, Ankush Khandelwal, Xiaowei Jia,
David Mulla, Vipin Kumar
- Abstract要約: 天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
- 参考スコア(独自算出の注目度): 23.23933321161625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and timely crop mapping is essential for yield estimation, insurance
claims, and conservation efforts. Over the years, many successful machine
learning models for crop mapping have been developed that use just the
multi-spectral imagery from satellites to predict crop type over the area of
interest. However, these traditional methods do not account for the physical
processes that govern crop growth. At a high level, crop growth can be
envisioned as physical parameters, such as weather and soil type, acting upon
the plant leading to crop growth which can be observed via satellites. In this
paper, we propose Weather-based Spatio-Temporal segmentation network with
ATTention (WSTATT), a deep learning model that leverages this understanding of
crop growth by formulating it as an inverse model that combines weather
(Daymet) and satellite imagery (Sentinel-2) to generate accurate crop maps. We
show that our approach provides significant improvements over existing
algorithms that solely rely on spectral imagery by comparing segmentation maps
and F1 classification scores. Furthermore, effective use of attention in WSTATT
architecture enables detection of crop types earlier in the season (up to 5
months in advance), which is very useful for improving food supply projections.
We finally discuss the impact of weather by correlating our results with crop
phenology to show that WSTATT is able to capture physical properties of crop
growth.
- Abstract(参考訳): 正確な、タイムリーな作物マッピングは、収量推定、保険請求、保存努力に不可欠である。
長年にわたり、衛星からのマルチスペクトル画像のみを用いて関心領域における作物の種類を予測する、作物マッピングのための機械学習モデルが数多く開発されてきた。
しかし、これらの伝統的な手法は作物の生育を支配する物理的過程を考慮しない。
高いレベルでは、作物の成長は、気象や土壌タイプなどの物理的パラメータとして想定され、植物に作用して、衛星で観測できる作物の成長につながる。
本稿では,気象(daymet)と衛星画像(sentinel-2)を組み合わせて正確な作物地図を生成する逆モデルとして,作物成長の理解を活用する深層学習モデルであるwstatt(weather-based spatio-temporal segmentation network with attention)を提案する。
提案手法は,分割マップとF1分類スコアを比較することで,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
さらに、wstattアーキテクチャにおける注意の有効利用により、季節の早い時期(最大5ヶ月前)における作物の種類の検出が可能となり、食糧供給予測の改善に非常に有用である。
作物の生育の物理的特性をWSTATTが把握できることを示すため,作物の表現学に関連付けて気象の影響を論じる。
関連論文リスト
- Data-driven Crop Growth Simulation on Time-varying Generated Images
using Multi-conditional Generative Adversarial Networks [2.513679466277441]
本稿では,画像予測モデルの第1段と成長推定モデル第2段からなる2段階のフレームワークを提案する。
画像予測モデルは条件付きワッサーシュタイン生成対向ネットワーク(CWGAN)である
このモデルの生成元では、条件付きバッチ正規化(CBN)を使用して、入力画像と異なる条件を統合する。
これらの画像は、植物特有の形質を導出することにより植物表現の枠組みの第2部によって使用される。
論文 参考訳(メタデータ) (2023-12-06T11:54:50Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - 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) - 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) - 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) - 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) - Wheat Crop Yield Prediction Using Deep LSTM Model [4.2755847332268235]
本稿では,衛星画像から農作物の収穫量を予測するための信頼性が高く安価な方法を提案する。
提案手法は,手作りの特徴を抽出することなく,生の衛星画像を直接処理する。
論文 参考訳(メタデータ) (2020-11-03T06:11:31Z) - Resilient In-Season Crop Type Classification in Multispectral Satellite
Observations using Growth Stage Normalization [2.4186361602373823]
本研究では,中間空間分解能(30m)衛星データを用いた季節内作物型分類手法を提案する。
コンボリューション層とリカレント層の両方を利用したニューラルネットワークを用いて、ピクセルにトウモロコシ、大豆、または他の作物や土地被覆タイプが含まれているかどうかを予測する。
成長段階正規化時系列を用いたアプローチは、固定時間時系列よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-09-21T21:55:32Z) - SMArtCast: Predicting soil moisture interpolations into the future using
Earth observation data in a deep learning framework [0.8399688944263843]
本研究では,衛星画像から土壌水分と植生の計測を行った。
システムは、これらの測定の将来の値を予測することを学習する。
これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
論文 参考訳(メタデータ) (2020-03-16T23:06:14Z)
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。