論文の概要: Local vs. Global: Local Land-Use and Land-Cover Models Deliver Higher Quality Maps
- arxiv url: http://arxiv.org/abs/2412.00777v1
- Date: Sun, 01 Dec 2024 11:48:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:50:01.329106
- Title: Local vs. Global: Local Land-Use and Land-Cover Models Deliver Higher Quality Maps
- Title（参考訳）: 地域対グローバル:土地利用と土地利用のモデルが高品質な地図を提供する
- Authors: Girmaw Abebe Tadesse, Caleb Robinson, Charles Mwangi, Esther Maina, Joshua Nyakundi, Luana Marotti, Gilles Quentin Hacheme, Hamed Alemohammad, Rahul Dodhia, Juan M. Lavista Ferres,
- Abstract要約: アフリカの人口の約20%が栄養不足に悩まされ、8億8800万人が2022年に食料不足を軽度から重度に経験した。
土地利用と土地被覆の地図は、作物の土地をマッピングするなど、食料の安全に対処するための重要な洞察を提供する。
本研究では,多様なデータソースを用いて局所的な土地被覆地図を作成する教師学生モデル構成によるデータ中心型フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.606726772030176
- License:
- Abstract: Approximately 20% of Africa's population suffered from undernourishment, and 868 million people experienced moderate to severe food insecurity in 2022. Land-use and land-cover maps provide crucial insights for addressing food insecurity, e.g., by mapping croplands. The development of global land-cover maps has been facilitated by the increasing availability of earth observation data and advancements in geospatial machine learning. However, these global maps exhibit lower accuracy and inconsistencies in Africa, partly due to the lack of representative training data. To address this issue, we propose a data-centric framework with a teacher-student model setup, which uses diverse data sources of satellite images and label examples to produce local land-cover maps. Our method trains a high-resolution teacher model on images with a resolution of 0.331 m/pixel and a low-resolution student model on publicly available images with a resolution of 10 m/pixel. The student model also utilizes the teacher model's output as its weak label examples through knowledge distillation. We evaluated our framework using Murang'a County, Kenya, as a use case and achieved significant improvements, i.e., 0.14 in the F1 score and 0.21 in Intersection-over-Union, compared to the best global map. Our evaluation also revealed inconsistencies in existing global maps, with a maximum agreement rate of 0.30 among themselves. Insights obtained from our cross-collaborative work can provide valuable guidance to local and national policymakers in making informed decisions to improve resource utilization and food security.
- Abstract（参考訳）: アフリカの人口の約20%が栄養不足に悩まされ、8億8800万人が2022年に食料不足を軽度から重度に経験した。
土地利用と土地被覆の地図は、作物の土地をマッピングすることで、食料の安全に対処するための重要な洞察を提供する。
地球観測データの増加と地理空間機械学習の進歩により、地球規模の土地被覆地図の開発が促進された。
しかしながら、これらのグローバルマップは、代表的トレーニングデータが欠如していることもあって、アフリカの精度と不整合が低い。
この問題に対処するために,衛星画像の多様なデータソースとラベル例を用いて局所的な土地被覆地図を作成する教師学生モデル構成によるデータ中心フレームワークを提案する。
本手法では,解像度0.331 m/ピクセルの高精細教師モデルと,解像度10 m/ピクセルの高精細学生モデルを用いる。
学生モデルは、知識蒸留を通じて、教師モデルの出力を弱いラベルの例として活用する。
ケニアのムランゴア郡を事例としてフレームワークを評価し,F1得点0.14点,インターセクション・オーバー・ユニオン0.21点の大幅な改善を実現した。
また, 既存のグローバルマップでは, 最大合意率0.30で不整合がみられた。
共同作業から得られた洞察は、資源利用と食料安全保障を改善するための情報的意思決定において、地域や国家の政策立案者に貴重なガイダンスを提供することができる。
関連論文リスト
- Large-scale School Mapping using Weakly Supervised Deep Learning for Universal School Connectivity [0.0]
弱教師付き深層学習技術を用いて高解像度衛星画像に学校を配置するコスト効率でスケーラブルな手法を提案する。
ビジョントランスフォーマーと畳み込みニューラルネットワークを組み合わせた私たちの最良のモデルは、10のパイロットアフリカ諸国で0.96以上のAUPRC値を達成しています。
論文 参考訳（メタデータ） (2024-12-19T14:06:56Z) - Contrasting local and global modeling with machine learning and satellite data: A case study estimating tree canopy height in African savannas [23.868986217962373]
ローカルに収集したデータだけで訓練された小さなモデルは、グローバルTCHマップよりも優れています。
局所モデリングパラダイムとグローバルモデリングパラダイムの対立点と相乗効果の特定を行う。
論文 参考訳（メタデータ） (2024-11-21T17:53:27Z) - Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。
我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文 参考訳（メタデータ） (2024-11-07T22:29:05Z) - Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep
Learning: A Case Study of Nigeria [0.6827423171182154]
私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。
本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。
We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
論文 参考訳（メタデータ） (2023-12-18T01:23:22Z) - 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) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - FedUKD: Federated UNet Model with Knowledge Distillation for Land Use
Classification from Satellite and Street Views [1.7847474813778919]
衛星画像とストリートビュー画像のセマンティックにフェデレートUNetモデルを用いる。
精度は95%以上で,それぞれ17回以上,62回以上のストリートビューと衛星画像に有意なモデル圧縮を実現した。
提案フレームワークは,地球上の気候変動のリアルタイム追跡において,ゲームチェンジャーとなる可能性を持っている。
論文 参考訳（メタデータ） (2022-12-05T12:14:00Z) - Activation Regression for Continuous Domain Generalization with
Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。
中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。
我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文 参考訳（メタデータ） (2022-04-14T15:41:39Z) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Taxonomizing local versus global structure in neural network loss
landscapes [60.206524503782006]
ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。
また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
論文 参考訳（メタデータ） (2021-07-23T13:37:14Z)
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。