Fugu-MT 論文翻訳(概要): Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery

論文の概要: Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery

arxiv url: http://arxiv.org/abs/2403.09651v1
Date: Sat, 25 Nov 2023 20:26:11 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 08:06:28.790284
Title: Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery
Title（参考訳）: 精密農業:機械学習とセンチネル2衛星画像を用いた作物マッピング
Authors: Kui Zhao, Siyang Wu, Chang Liu, Yue Wu, Natalia Efremova,
Abstract要約: 本研究では, 深層学習と画素ベース機械学習を用いて, 精密農業のためのラベンダーフィールドを正確に分別する。我々の微調整最終モデルであるU-Netアーキテクチャは、Dice係数 0.8324 を達成することができる。
参考スコア（独自算出の注目度）: 5.914742040076052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Food security has grown in significance due to the changing climate and its warming effects. To support the rising demand for agricultural products and to minimize the negative impact of climate change and mass cultivation, precision agriculture has become increasingly important for crop cultivation. This study employs deep learning and pixel-based machine learning methods to accurately segment lavender fields for precision agriculture, utilizing various spectral band combinations extracted from Sentinel-2 satellite imagery. Our fine-tuned final model, a U-Net architecture, can achieve a Dice coefficient of 0.8324. Additionally, our investigation highlights the unexpected efficacy of the pixel-based method and the RGB spectral band combination in this task.
Abstract（参考訳）: 気候変動と温暖化の影響により、食料安全保障の重要性が高まっている。農作物の需要増加を支え、気候変動や大量栽培の負の影響を最小限に抑えるため、精密農業は作物栽培にとってますます重要になっている。本研究では,Sentinel-2衛星画像から抽出した様々なスペクトル帯域の組み合わせを用いて,精密農業のためのラベンダーフィールドを高精度に分割するために,ディープラーニングと画素ベース機械学習手法を用いた。我々の微調整最終モデルであるU-Netアーキテクチャは、Dice係数 0.8324 を達成することができる。さらに,本課題における画素法とRGBスペクトルバンドの組み合わせの予期せぬ有効性について検討した。

関連論文リスト

Towards more efficient agricultural practices via transformer-based crop type classification [0.0]
メキシコのセンチネル1号と2号の衛星画像から、作物を正確に分類することができる。本稿では,メキシコのジャリスコにおいて,正確なマルチクラス作物分類を目標として,この手法をさらに発展させることを提案する。
論文参考訳（メタデータ） (2024-11-04T21:38:02Z)
Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文参考訳（メタデータ） (2024-03-27T08:42:47Z)
AGSPNet: A framework for parcel-scale crop fine-grained semantic change detection from UAV high-resolution imagery with agricultural geographic scene constraints [1.9151076515142376]
本稿では,農業の地理的景観と農業用大規模制約付きSCDフレームワーク(AGSPNet)を提案する。複雑な地理的景観における作物の複数の意味変化を包含する,農業モニタリング専用のUAV画像SCDデータセット(CSCD)を作成し,導入する。以上の結果から,AGSPNet の収穫 SCD は,他の深層学習 SCD モデルよりも,量と品質の点で一貫して優れていた。
論文参考訳（メタデータ） (2024-01-11T20:47:28Z)
Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
論文参考訳（メタデータ） (2023-11-01T10:44:49Z)
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)
Supervised learning for crop/weed classification based on color and texture features [0.0]
本研究では,大豆および雑草の識別における色彩と食感の特徴について検討した。無人航空機(UAV)から得られた大豆のイメージデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2021-06-19T22:31:54Z)
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)
Using depth information and colour space variations for improving outdoor robustness for instance segmentation of cabbage [62.997667081978825]
本研究は, 異なる環境条件下での作物のインスタンスセグメンテーションの改善に焦点をあてる。深度情報と異なる色空間表現の影響を分析した。その結果,色情報と組み合わせることでセグメンテーション精度が7.1%向上した。
論文参考訳（メタデータ） (2021-03-31T09:19:12Z)
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)
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。