論文の概要: A community palm model

• arxiv url: http://arxiv.org/abs/2405.09530v1
• Date: Wed, 1 May 2024 15:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 03:17:55.491643
• Title: A community palm model
• Title（参考訳）: コミュニティパームモデル
• Authors: Nicholas Clinton, Andreas Vollrath, Remi D'annunzio, Desheng Liu, Henry B. Glick, Adrià Descals, Alicia Sullivan, Oliver Guinan, Jacob Abramowitz, Fred Stolle, Chris Goodman, Tanya Birch, David Quinn, Olga Danylo, Tijs Lips, Daniel Coelho, Enikoe Bihari, Bryce Cronkite-Ratcliff, Ate Poortinga, Atena Haghighattalab, Evan Notman, Michael DeWitt, Aaron Yonas, Gennadii Donchyts, Devaja Shah, David Saah, Karis Tenneson, Nguyen Hanh Quyen, Megha Verma, Andrew Wilcox,
• Abstract要約: パーム油の生産は熱帯諸国の森林破壊の主要な要因の1つと認識されている。 サプライチェーンの目的を満たすため、商品生産者と他の利害関係者は、サプライチェーンにおける土地被覆動態のタイムリーな情報を必要としている。 ここでは、さまざまな利害関係者から得られたプールデータに基づいてトレーニングされた機械学習モデルである"コミュニティモデル"を紹介する。
• 参考スコア（独自算出の注目度）: 0.28391011428068197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Palm oil production has been identified as one of the major drivers of deforestation for tropical countries. To meet supply chain objectives, commodity producers and other stakeholders need timely information of land cover dynamics in their supply shed. However, such data are difficult to obtain from suppliers who may lack digital geographic representations of their supply sheds and production locations. Here we present a "community model," a machine learning model trained on pooled data sourced from many different stakeholders, to develop a specific land cover probability map, in this case a semi-global oil palm map. An advantage of this method is the inclusion of varied inputs, the ability to easily update the model as new training data becomes available and run the model on any year that input imagery is available. Inclusion of diverse data sources into one probability map can help establish a shared understanding across stakeholders on the presence and absence of a land cover or commodity (in this case oil palm). The model predictors are annual composites built from publicly available satellite imagery provided by Sentinel-1, Sentinel-2, and ALOS DSM. We provide map outputs as the probability of palm in a given pixel, to reflect the uncertainty of the underlying state (palm or not palm). The initial version of this model provides global accuracy estimated to be approximately 90% (at 0.5 probability threshold) from spatially partitioned test data. This model, and resulting oil palm probability map products are useful for accurately identifying the geographic footprint of palm cultivation. Used in conjunction with timely deforestation information, this palm model is useful for understanding the risk of continued oil palm plantation expansion in sensitive forest areas.
• Abstract（参考訳）: パーム油の生産は熱帯諸国の森林破壊の主要な要因の1つと認識されている。 サプライチェーンの目的を満たすため、商品生産者と他の利害関係者は、サプライチェーンにおける土地被覆動態のタイムリーな情報を必要としている。 しかし、サプライチェーンや生産場所のデジタル地理的表示が欠けているサプライヤから取得することは困難である。 ここでは,多種多様な利害関係者から得られたプールデータに基づいて学習された機械学習モデルである「コミュニティモデル」について述べる。 この手法の利点は、様々な入力を含めることであり、新しいトレーニングデータが利用可能になると容易にモデルを更新でき、入力画像が利用可能な年ごとにモデルを実行することができる。 多様なデータソースを1つの確率マップに含めることによって、土地被覆や商品(この場合はオイルパーム)の存在と欠如について、利害関係者間で共通理解を確立することができる。 モデル予測器は、Sentinel-1、Sentinel-2、ALOS DSMによって公開されている衛星画像から作られた年次合成装置である。 与えられたピクセルのヤシの確率としてマップ出力を提供し、根底にある状態(パルムかパームでないか)の不確かさを反映する。 このモデルの初期バージョンは、空間的に分割されたテストデータから約90%(0.5の確率閾値で)と推定される大域的精度を提供する。 このモデルと結果のオイルパーム確率マップ生成物は、ヤシ栽培の地理的フットプリントを正確に同定するのに有用である。 このヤシモデルは、森林破壊情報と連動して、敏感な森林地帯で継続するヤシの植林拡大のリスクを理解するのに有用である。

関連論文リスト

• GenPalm: Contactless Palmprint Generation with Diffusion Models [25.738682467090335]
  本稿では拡散確率モデルを用いた新しいパームプリント生成法を提案する。 我々は,複数のパームIDを合成するエンドツーエンドフレームワークを開発し,生成されたパームプリントの現実性と有用性を検証した。
  論文  参考訳（メタデータ） (2024-06-01T03:33:25Z)
• FUELVISION: A Multimodal Data Fusion and Multimodel Ensemble Algorithm for Wildfire Fuels Mapping [0.6592966907430154]
  森林調査計画(FIA)データを用いて「スコットとバーガン40」のようなランドスケープスケールの燃料を推定するために,アンサンブルモデルを訓練した。 Pseudo-labeled and fully synthetic datasets were developed using Generative AI approach to address the limit of ground truth data available。 ディープラーニングニューラルネットワーク、決定木、勾配向上など、一連の手法を使用することで、燃料マッピングの精度は80%近く向上した。
  論文  参考訳（メタデータ） (2024-03-19T14:20:46Z)
• PalmProbNet: A Probabilistic Approach to Understanding Palm Distributions in Ecuadorian Tropical Forest via Transfer Learning [0.0]
  ヤシは熱帯林では大きな役割を担っており、人間や野生動物にとって重要な資源である。 地理空間画像におけるヤシの正確な識別と位置特定は、重大な課題を呈する。 転送学習を利用した確率論的手法であるPalmProbNetを導入し,高分解能UAV由来のオルソモザイク画像の解析を行う。
  論文  参考訳（メタデータ） (2024-03-05T17:54:22Z)
• 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)
• 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)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• 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)
• Using Machine Learning to generate an open-access cropland map from satellite images time series in the Indian Himalayan Region [0.28675177318965034]
  我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。 ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
  論文  参考訳（メタデータ） (2022-03-28T12:08:06Z)
• Mapping oil palm density at country scale: An active learning approach [26.250895899341682]
  本研究では,Sentinel-2衛星画像からオイルパーム密度を大規模に推定する,能動的深層学習手法を提案する。 ラベル付けの労力を低く抑えるために,ラベル付けすべき最も関連性の高いサンプルを自動的に選択するアクティブラーニング(AL)手法を提案する。 我々のアルゴリズムは線形計算複雑性を持ち、広い領域をカバーするのに容易に並列化可能である。
  論文  参考訳（メタデータ） (2021-05-24T11:23:55Z)
• 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)

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。