論文の概要: Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images

• arxiv url: http://arxiv.org/abs/2406.09812v1
• Date: Fri, 14 Jun 2024 08:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 22:08:59.074042
• Title: Soil nitrogen forecasting from environmental variables provided by multisensor remote sensing images
• Title（参考訳）: 多センサリモートセンシング画像による環境変数からの土壌窒素予測
• Authors: Weiying Zhao, Ganzorig Chuluunbat, Aleksei Unagaev, Natalia Efremova,
• Abstract要約: 本研究では、リモートセンシング画像や機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。 我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。 農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study introduces a framework for forecasting soil nitrogen content, leveraging multi-modal data, including multi-sensor remote sensing images and advanced machine learning methods. We integrate the Land Use/Land Cover Area Frame Survey (LUCAS) database, which covers European and UK territory, with environmental variables from satellite sensors to create a dataset of novel features. We further test a broad range of machine learning algorithms, focusing on tree-based models such as CatBoost, LightGBM, and XGBoost. We test the proposed methods with a variety of land cover classes, including croplands and grasslands to ensure the robustness of this approach. Our results demonstrate that the CatBoost model surpasses other methods in accuracy. This research advances the field of agricultural management and environmental monitoring and demonstrates the significant potential of integrating multisensor remote sensing data with machine learning for environmental analysis.
• Abstract（参考訳）: 本研究では、マルチセンサリモートセンシング画像や高度な機械学習手法を含むマルチモーダルデータを活用することにより、土壌窒素含量を予測するためのフレームワークを提案する。 我々は、ヨーロッパとイギリスの領域をカバーするLand Use/Land Cover Area Frame Survey (LUCAS)データベースと、衛星センサーからの環境変数を統合し、新しい特徴のデータセットを作成する。 さらに、CatBoost、LightGBM、XGBoostといったツリーベースのモデルに焦点を当て、幅広い機械学習アルゴリズムをテストする。 農耕地や草地など,様々な土地被覆クラスで提案手法を検証し,このアプローチの堅牢性を確保する。 以上の結果から, CatBoost モデルが他の手法よりも精度が高いことが示された。 本研究は、農業管理と環境モニタリングの分野を進歩させ、マルチセンサリモートセンシングデータと機械学習を統合した環境分析の可能性を示す。

関連論文リスト

• EcoCropsAID: Economic Crops Aerial Image Dataset for Land Use Classification [0.0]
  EcoCropsAIDデータセットは、2014年から2018年の間にGoogle Earthアプリケーションを使って撮影された5,400枚の空中画像の包括的なコレクションである。 このデータセットは、タイの5つの主要な経済作物、米、サトウキビ、キャッサバ、ゴム、ロングランに焦点を当てている。
  論文  参考訳（メタデータ） (2024-11-05T03:14:36Z)
• Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
  オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。 このデータセットは、草種の重複と分布のため、困難な課題を示す。 データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-07-25T18:27:27Z)
• Bridging Remote Sensors with Multisensor Geospatial Foundation Models [15.289711240431107]
  msGFMは4つのキーセンサーからのデータを統合する多センサ地理空間基盤モデルである。 同一の位置情報から得られるデータに対して、我々のモデルは革新的なクロスセンサー事前学習アプローチを採用している。 msGFMは、シングルセンサーとマルチセンサーの両方の下流タスクにおいて、高い習熟度を示した。
  論文  参考訳（メタデータ） (2024-04-01T17:30:56Z)
• FoMo-Bench: a multi-modal, multi-scale and multi-task Forest Monitoring Benchmark for remote sensing foundation models [24.141443217910986]
  第1回森林モニタリングベンチマーク(FoMo-Bench)について紹介する。 FoMo-Benchは、衛星、航空、在庫データを含む15の多様なデータセットで構成されている。 FoMo-Benchで表されるタスクや地理の多様性をさらに高めるため、我々は新しいグローバルデータセットであるTalloSを紹介した。
  論文  参考訳（メタデータ） (2023-12-15T09:49:21Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Extended Agriculture-Vision: An Extension of a Large Aerial Image Dataset for Agricultural Pattern Analysis [11.133807938044804]
  農業ビジョンデータセットの改良版(Chiu et al., 2020b)をリリースする。 このデータセットは,3600大,高解像度(10cm/ピクセル),フルフィールド,赤緑色,近赤外画像の事前トレーニングにより拡張する。 下流分類とセマンティックセグメンテーションの両タスクにおいて、異なるコントラスト学習アプローチをベンチマークすることで、このデータの有用性を実証する。
  論文  参考訳（メタデータ） (2023-03-04T17:35:24Z)
• 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)
• 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)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• 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)

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。