論文の概要: Knowledge-Informed Deep Learning for Irrigation Type Mapping from Remote Sensing

• arxiv url: http://arxiv.org/abs/2505.08302v2
• Date: Thu, 05 Jun 2025 05:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 19:24:15.968659
• Title: Knowledge-Informed Deep Learning for Irrigation Type Mapping from Remote Sensing
• Title（参考訳）: リモートセンシングによる知識インフォームド・ディープラーニング
• Authors: Oishee Bintey Hoque, Nibir Chandra Mandal, Abhijin Adiga, Samarth Swarup, Sayjro Kossi Nouwakpo, Amanda Wilson, Madhav Marathe,
• Abstract要約: 衛星画像のスペクトル特徴のみに依存する既存のモデルは、農業景観の複雑さと限られた訓練データのために効果がない。 本稿では,特殊なプロジェクション行列を用いて農作物を灌水確率にエンコードする,スウィントランスフォーマーに基づく新しいアプローチであるKnowledge-Informed Irrigation Mapping(KIIM)を提案する。 合衆国の5州での実験では、ベースラインよりも22.9%(IoU)の改善があり、71.4%(IoU)の改善が図られている。
• 参考スコア（独自算出の注目度）: 3.7880718215710485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate mapping of irrigation methods is crucial for sustainable agricultural practices and food systems. However, existing models that rely solely on spectral features from satellite imagery are ineffective due to the complexity of agricultural landscapes and limited training data, making this a challenging problem. We present Knowledge-Informed Irrigation Mapping (KIIM), a novel Swin-Transformer based approach that uses (i) a specialized projection matrix to encode crop to irrigation probability, (ii) a spatial attention map to identify agricultural lands from non-agricultural lands, (iii) bi-directional cross-attention to focus complementary information from different modalities, and (iv) a weighted ensemble for combining predictions from images and crop information. Our experimentation on five states in the US shows up to 22.9\% (IoU) improvement over baseline with a 71.4% (IoU) improvement for hard-to-classify drip irrigation. In addition, we propose a two-phase transfer learning approach to enhance cross-state irrigation mapping, achieving a 51% IoU boost in a state with limited labeled data. The ability to achieve baseline performance with only 40% of the training data highlights its efficiency, reducing the dependency on extensive manual labeling efforts and making large-scale, automated irrigation mapping more feasible and cost-effective.
• Abstract（参考訳）: 持続可能な農業慣行や食料システムには, 灌水方法の正確なマッピングが不可欠である。 しかし、農業景観の複雑さと限られた訓練データのために、衛星画像のスペクトル特徴のみに依存する既存のモデルは効果がないため、これは難しい問題である。 我々は,スイニングトランスフォーマーに基づく新しいアプローチである知識インフォームド・イルギテーション・マッピング(KIIM)を提案する。 (i)農作物を灌水確率に符号化する特殊プロジェクター行列 二 非農耕地から農地を特定するための空間的注意図 三 異なる形態から相補的な情報に焦点を合わせようとする双方向の横断的注意 (四)画像と作物情報からの予測を組み合わせるための重み付けアンサンブル。 アメリカの5州での実験では、ベースラインよりも22.9 % (IoU) 改善され、71.4% (IoU) の改善が図られている。 さらに, ラベル付きデータに制限のある状態で51%のIoU向上を実現するため, 二相移動学習手法を提案する。 トレーニングデータのわずか40%でベースラインのパフォーマンスを実現する能力は、その効率を強調し、手作業によるラベリング作業への依存を低減し、大規模で自動化された灌水マッピングをより実現可能で費用対効果の高いものにする。

関連論文リスト

• Semi-Self-Supervised Domain Adaptation: Developing Deep Learning Models with Limited Annotated Data for Wheat Head Segmentation [0.10923877073891444]
  本稿では,確率的拡散過程を持つ深層畳み込みニューラルネットワークに基づく半自己制御型ドメイン適応手法を提案する。 合成画像-マスク対と無注釈画像の両方を利用する2分岐畳み込みエンコーダ・デコーダモデルアーキテクチャを開発した。 提案されたモデルは、内部テストデータセットで80.7%のDiceスコア、外部テストセットで64.8%のDiceスコアを達成した。
  論文  参考訳（メタデータ） (2024-05-12T04:35:49Z)
• IrrNet: Advancing Irrigation Mapping with Incremental Patch Size Training on Remote Sensing Imagery [4.713867053820382]
  本稿では,学習過程を通じてパッチサイズを戦略的に増加させる,プログレッシブトレーニング手法を用いた革新的なアプローチを提案する。 注目すべきは,既存の最先端モデルの性能を約20%向上させることである。
  論文  参考訳（メタデータ） (2024-04-17T21:43:43Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Learning crop type mapping from regional label proportions in large-scale SAR and optical imagery [9.303156731091532]
  本研究は,作物ラベルの比率を事前に用いたオンラインディープクラスタリング手法を提案し,サンプルレベル分類器を学習する。 ブラジルの2つの異なる農業地域から得られた2つの大きなデータセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2022-08-24T15:23:26Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• 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)
• A Deep Learning Approach to Mapping Irrigation: IrrMapper-U-Net [0.0]
  本研究では,2000年からのモンタナ州における新しい灌水マッピング法を提案し,その精度を実証する。 この手法は、ランドサット画像からの反射情報を用いて灌水されたピクセルを分類する畳み込みニューラルネットワークのアンサンブルに基づいている。 この方法は、米国農務省の農業統計調査(USDA)の灌水地域の推定値と、州全体でよりよく一致していることを発見した。
  論文  参考訳（メタデータ） (2021-03-04T19:27:39Z)
• UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture [0.8399688944263843]
  本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。 無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。 セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
  論文  参考訳（メタデータ） (2020-04-29T18:34:48Z)

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。