論文の概要: Agricultural Field Boundary Detection through Integration of "Simple Non-Iterative Clustering (SNIC) Super Pixels" and "Canny Edge Detection Method"

• arxiv url: http://arxiv.org/abs/2502.04529v1
• Date: Thu, 06 Feb 2025 22:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:57:40.059224
• Title: Agricultural Field Boundary Detection through Integration of "Simple Non-Iterative Clustering (SNIC) Super Pixels" and "Canny Edge Detection Method"
• Title（参考訳）: SNIC(Simple Non-Iterative Clustering) Super Pixels」と「Canny Edge Detection Method」を統合した農業分野境界検出
• Authors: Artughrul Gayibov,
• Abstract要約: 本稿では,Google Earth Engine (GEE) プラットフォームを用いて得られた衛星データを用いて,耕作地の適合性とグリーン指数を決定するための新しい手法を提案する。 2つの強力なアルゴリズム「SNIC(Simple Non-Iterative Clustering) Super Pixels」と「Canny Edge Detection Method」を組み合わせる。 提案手法は, ランダムに選択された農地を精度よく, 確実に分類するのに有効である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Efficient use of cultivated areas is a necessary factor for sustainable development of agriculture and ensuring food security. Along with the rapid development of satellite technologies in developed countries, new methods are being searched for accurate and operational identification of cultivated areas. In this context, identification of cropland boundaries based on spectral analysis of data obtained from satellite images is considered one of the most optimal and accurate methods in modern agriculture. This article proposes a new approach to determine the suitability and green index of cultivated areas using satellite data obtained through the "Google Earth Engine" (GEE) platform. In this approach, two powerful algorithms, "SNIC (Simple Non-Iterative Clustering) Super Pixels" and "Canny Edge Detection Method", are combined. The SNIC algorithm combines pixels in a satellite image into larger regions (super pixels) with similar characteristics, thereby providing better image analysis. The Canny Edge Detection Method detects sharp changes (edges) in the image to determine the precise boundaries of agricultural fields. This study, carried out using high-resolution multispectral data from the Sentinel-2 satellite and the Google Earth Engine JavaScript API, has shown that the proposed method is effective in accurately and reliably classifying randomly selected agricultural fields. The combined use of these two tools allows for more accurate determination of the boundaries of agricultural fields by minimizing the effects of outliers in satellite images. As a result, more accurate and reliable maps can be created for agricultural monitoring and resource management over large areas based on the obtained data. By expanding the application capabilities of cloud-based platforms and artificial intelligence methods in the agricultural field.
• Abstract（参考訳）: 農業地帯の効率的な利用は、農業の持続可能な発展と食料安全保障の確保に必要な要素である。 先進国における衛星技術の急速な発展とともに、耕作地の正確かつ運用的な識別のための新しい手法が探索されている。 この文脈において、衛星画像から得られたデータのスペクトル分析に基づく農地境界の同定は、現代の農業において最も最適で正確な方法の1つであると考えられる。 本稿では,Google Earth Engine (GEE) プラットフォームを用いて得られた衛星データを用いて,耕作地の適合性とグリーン指数を決定するための新しい手法を提案する。 このアプローチでは,SNIC(Simple Non-Iterative Clustering) Super Pixels" と "Canny Edge Detection Method" という2つの強力なアルゴリズムを組み合わせる。 SNICアルゴリズムは、衛星画像中のピクセルを、類似した特徴を持つより大きな領域(スーパーピクセル)に組み合わせ、より良い画像解析を提供する。 Canny Edge Detection Methodは、画像内の鋭い変化(エッジ)を検出し、農地の正確な境界を決定する。 本研究では,Sentinel-2衛星とGoogle Earth Engine JavaScript APIの高分解能マルチスペクトルデータを用いて,ランダムに選択した農地を高精度かつ確実に分類する手法を提案する。 これら2つのツールを組み合わせることで、衛星画像における外れ値の影響を最小限に抑えることにより、農地の境界をより正確に決定することができる。 その結果,より正確で信頼性の高い地図を作成でき,得られたデータに基づいて大面積の農業モニタリングと資源管理を行うことができる。 農業分野におけるクラウドベースのプラットフォームと人工知能手法の適用能力を拡大する。

関連論文リスト

• Investigating the Segment Anything Foundation Model for Mapping Smallholder Agriculture Field Boundaries Without Training Labels [0.24966046892475396]
  本研究は,インド・ビハール州の農地境界を規定するSegment Anything Model(SAM)について検討した。 我々はSAMの性能を3つのモデルチェックポイント、様々な入力サイズ、マルチ日付衛星画像、エッジ強調画像で評価した。 異なる入力画像サイズを使用することで精度が向上し、マルチ日付衛星画像を使用する場合に最も顕著な改善がなされる。
  論文  参考訳（メタデータ） (2024-07-01T23:06:02Z)
• AI for Agriculture: the Comparison of Semantic Segmentation Methods for Crop Mapping with Sentinel-2 Imagery [0.0]
  作物マッピングは、農業における人工知能における最も一般的なタスクの1つである。 高解像度の衛星画像により、テクスチャは最先端のアルゴリズムの大部分によって容易に検出される。 本稿では,衛星画像の自由な利用が可能な機械学習手法について検討する。
  論文  参考訳（メタデータ） (2023-11-21T21:00:42Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• 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)
• Towards Space-to-Ground Data Availability for Agriculture Monitoring [0.0]
  本稿では,クラウドソーシングプラットフォームであるMapillaryのストリートレベル画像とともに,Sentinel-1レーダとSentinel-2光画像時系列を含む地上空間データセットを提案する。 これらの異なるデータドメイン上で機械学習とディープラーニングのアルゴリズムをトレーニングし、意思決定の信頼性を高めるための融合技術の可能性を強調します。
  論文  参考訳（メタデータ） (2022-05-16T14:35:48Z)
• 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)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery [3.6843744304889183]
  リモートセンシングデータから栄養不足地域を特定し、注意が必要な地域へ農家に警告します。 ノードベースの分類を行うために,より軽量なグラフベースの手法を提案する。 このモデルは、cnnモデルよりも4桁少ないパラメータを持ち、数分で列車が走る。
  論文  参考訳（メタデータ） (2021-04-20T21:18:16Z)
• 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)
• Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN) [1.0312968200748118]
  本稿では,リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく,画素ベースの土地被覆と作物分類(LC&CC)のための,新しい最適なディープラーニングモデルを開発する。 本研究では,主要農作物を含む15種について検討した。 提案したPixel R-CNNの全体的な精度は96.5%であり、既存の主流手法と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2020-04-27T15:39:50Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。