Fugu-MT 論文翻訳(概要): A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa

論文の概要: A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa

arxiv url: http://arxiv.org/abs/2403.06860v2
Date: Thu, 21 Mar 2024 17:06:49 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 18:48:21.254986
Title: A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa
Title（参考訳）: アフリカにおける砂漠ロカスト繁殖地予測のための地理空間的アプローチ
Authors: Ibrahim Salihu Yusuf, Mukhtar Opeyemi Yusuf, Kobby Panford-Quainoo, Arnu Pretorius,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.6826233660285395
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Desert locust swarms present a major threat to agriculture and food security. Addressing this challenge, our study develops an operationally-ready model for predicting locust breeding grounds, which has the potential to enhance early warning systems and targeted control measures. We curated a dataset from the United Nations Food and Agriculture Organization's (UN-FAO) locust observation records and analyzed it using two types of spatio-temporal input features: remotely-sensed environmental and climate data as well as multi-spectral earth observation images. Our approach employed custom deep learning models (three-dimensional and LSTM-based recurrent convolutional networks), along with the geospatial foundational model Prithvi recently released by Jakubik et al., 2023. These models notably outperformed existing baselines, with the Prithvi-based model, fine-tuned on multi-spectral images from NASA's Harmonized Landsat and Sentinel-2 (HLS) dataset, achieving the highest accuracy, F1 and ROC-AUC scores (83.03%, 81.53% and 87.69%, respectively). A significant finding from our research is that multi-spectral earth observation images alone are sufficient for effective locust breeding ground prediction without the need to explicitly incorporate climatic or environmental features.
Abstract（参考訳）: 砂漠のロカスト群れは農業と食料安全保障に大きな脅威をもたらす。この課題に対処するため,本研究では,早期警戒システムと目標制御対策を強化する可能性を秘めた,ロカスト繁殖地を予測できる操作可能なモデルを開発した。国連食糧農業機関(UN-FAO)のロカスト観測記録から得られたデータセットを収集し、リモートセンシングされた環境・気候データとマルチスペクトル地球観測画像の2種類の時空間入力特徴を用いて分析した。 Jakubikらによって最近リリースされたPrithviとともに、カスタムディープラーニングモデル(3次元およびLSTMに基づく再帰的畳み込みネットワーク)を採用した。これらのモデルはプリスヴィベースのモデルで、NASAのハーモナイズド・ランドサットとセンチネル2(HLS)データセットのマルチスペクトル画像を微調整し、最高精度のF1とROC-AUCスコア(83.03%、81.53%、87.69%)を達成した。本研究から得られた重要な発見は,マルチスペクトル地球観測画像だけでは,気候や環境の特徴を明示的に組み込む必要がなく,効果的な地中繁殖予測に十分であるということである。

関連論文リスト

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
論文参考訳（メタデータ） (2024-01-31T16:44:20Z)
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)
Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文参考訳（メタデータ） (2023-10-28T10:19:55Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
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)
Fuzzy clustering for the within-season estimation of cotton phenology [0.0]
本研究では,綿花の季節内表現学評価のための新しい手法を提案する。本手法は, スパース・アンス・グラウンドの真理データにおいて, 常に存在する問題に対処するために, 教師なしの手法である。このモデルを評価するため,ギリシャのオルコメノスで1,285の栽培地観測を行った。
論文参考訳（メタデータ） (2022-11-25T13:30:57Z)
Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文参考訳（メタデータ） (2022-11-15T14:15:04Z)
Global canopy height estimation with GEDI LIDAR waveforms and Bayesian deep learning [20.692092680921274]
NASAのGlobal Ecosystem Dynamics Investigation(GEDI)は、地球規模の炭素循環における森林の役割の理解を深めることを目的としている重要な気候ミッションである。本稿では,GEDI波形とレグレッション・キャノピー・トップハイトを世界規模で解釈する新しい教師付き機械学習手法を提案する。
論文参考訳（メタデータ） (2021-03-05T23:08:27Z)
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)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。