Fugu-MT 論文翻訳(概要): Satellite monitoring uncovers progress but large disparities in doubling crop yields

論文の概要: Satellite monitoring uncovers progress but large disparities in doubling crop yields

arxiv url: http://arxiv.org/abs/2411.03322v1
Date: Mon, 21 Oct 2024 21:59:02 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-10 12:31:20.784992
Title: Satellite monitoring uncovers progress but large disparities in doubling crop yields
Title（参考訳）: 衛星観測による作物収量増加の進展と大きな相違
Authors: Katie Fankhauser, Evan Thomas, Zia Mehrabi,
Abstract要約: ルワンダの15,000の村々で、2030年までに2倍の生産性を達成するために、トラックを行き来する地域を発見しました。この機械学習によって実現された分析は、空間的に明示的な生産性目標を設計するために使われ、誰も置き去りにすることなく、国家の目標を同時に確保する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: High-resolution satellite-based crop yield mapping offers enormous promise for monitoring progress towards the SDGs. Across 15,000 villages in Rwanda we uncover areas that are on and off track to double productivity by 2030. This machine learning enabled analysis is used to design spatially explicit productivity targets that, if met, would simultaneously ensure national goals without leaving anyone behind.
Abstract（参考訳）: 高解像度の衛星による収量マッピングは、SDGの進行をモニタリングする上で大きな可能性を秘めている。ルワンダの15,000の村で、2030年までに生産性を2倍に向上させるために、トラックを行き来する地域を発見しました。この機械学習によって実現された分析は、空間的に明示的な生産性目標を設計するために使用され、もし満たされたら、誰も残さずに国家の目標を同時に確保できる。

関連論文リスト

Sustainable Visions: Unsupervised Machine Learning Insights on Global Development Goals [0.3764231189632788]
国連2030アジェンダ・フォー・サステナブル・ディベロップメントは、世界的課題に取り組むための17の目標を概説している。 SDGの進歩は、地理的、文化的、社会経済的要因に大きく影響されている。 2030年までにすべての目標を達成する国はない。
論文参考訳（メタデータ） (2024-09-19T03:10:49Z)
Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning [0.0]
人間活動は温室効果ガス排出量の23%を占める。 AI、コンピュータビジョン、地球観測データの最近の進歩は、土地利用地図における前例のない精度を実現している。
論文参考訳（メタデータ） (2023-11-06T18:10:25Z)
Successor Feature Landmarks for Long-Horizon Goal-Conditioned Reinforcement Learning [54.378444600773875]
大規模で高次元の環境を探索するフレームワークであるSFL(Successor Feature Landmarks)を紹介する。 SFLは、状態のノベルティを推定して探索を推進し、状態空間を非パラメトリックなランドマークベースのグラフとして抽象化することで、高レベルな計画を可能にする。我々は,MiniGrid と ViZDoom の実験において,SFL が大規模高次元状態空間の効率的な探索を可能にすることを示す。
論文参考訳（メタデータ） (2021-11-18T18:36:05Z)
SustainBench: Benchmarks for Monitoring the Sustainable Development Goals with Machine Learning [63.192289553021816]
国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
論文参考訳（メタデータ） (2021-11-08T18:59:04Z)
Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
論文参考訳（メタデータ） (2021-10-28T14:12:10Z)
Detection and Prediction of Nutrient Deficiency Stress using Longitudinal Aerial Imagery [3.5417999811721677]
早期, 栄養不足ストレス(NDS)の精密検出は, 環境影響の精度だけでなく, 経済的にも重要である。我々は,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
論文参考訳（メタデータ） (2020-12-17T15:06:15Z)
Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
論文参考訳（メタデータ） (2020-10-27T22:06:57Z)
Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文参考訳（メタデータ） (2020-05-26T05:39:27Z)
Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
論文参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。