論文の概要: ReflectGAN: Modeling Vegetation Effects for Soil Carbon Estimation from Satellite Imagery

• arxiv url: http://arxiv.org/abs/2505.18546v1
• Date: Sat, 24 May 2025 06:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.497569
• Title: ReflectGAN: Modeling Vegetation Effects for Soil Carbon Estimation from Satellite Imagery
• Title（参考訳）: ReflectGAN:衛星画像による土壌炭素推定のための植生効果のモデル化
• Authors: Dristi Datta, Manoranjan Paul, Manzur Murshed, Shyh Wei Teng, Leigh M. Schmidtke,
• Abstract要約: 土壌有機炭素(SOC)は土壌の健康にとって重要な指標である。 衛星画像からの正確な推定は、植物カバーからのスペクトル汚染による植生地帯で妨げられている。 本研究では,衛星観測から正確な土壌反射率を復元するための反射率変換生成適応ネットワーク(ReflectGAN)を提案する。
• 参考スコア（独自算出の注目度）: 8.14508957851379
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soil organic carbon (SOC) is a critical indicator of soil health, but its accurate estimation from satellite imagery is hindered in vegetated regions due to spectral contamination from plant cover, which obscures soil reflectance and reduces model reliability. This study proposes the Reflectance Transformation Generative Adversarial Network (ReflectGAN), a novel paired GAN-based framework designed to reconstruct accurate bare soil reflectance from vegetated soil satellite observations. By learning the spectral transformation between vegetated and bare soil reflectance, ReflectGAN facilitates more precise SOC estimation under mixed land cover conditions. Using the LUCAS 2018 dataset and corresponding Landsat 8 imagery, we trained multiple learning-based models on both original and ReflectGAN-reconstructed reflectance inputs. Models trained on ReflectGAN outputs consistently outperformed those using existing vegetation correction methods. For example, the best-performing model (RF) achieved an $R^2$ of 0.54, RMSE of 3.95, and RPD of 2.07 when applied to the ReflectGAN-generated signals, representing a 35\% increase in $R^2$, a 43\% reduction in RMSE, and a 43\% improvement in RPD compared to the best existing method (PMM-SU). The performance of the models with ReflectGAN is also better compared to their counterparts when applied to another dataset, i.e., Sentinel-2 imagery. These findings demonstrate the potential of ReflectGAN to improve SOC estimation accuracy in vegetated landscapes, supporting more reliable soil monitoring.
• Abstract（参考訳）: 土壌有機炭素(SOC)は土壌の健全性を示す重要な指標であるが、衛星画像からの正確な推定は、土壌の反射率を曖昧にし、モデルの信頼性を低下させる植物被覆からのスペクトル汚染により、植生地帯で妨げられる。 本研究では,植生土壌衛星観測から正確な裸地反射率を復元する新しいGANベースのフレームワークであるReflectGANを提案する。 植生反射率と裸地反射率のスペクトル変換を学習することにより, 混合土地被覆条件下でのより正確なSOC推定を容易にする。 LUCAS 2018データセットとそれに対応するLandsat 8画像を用いて、オリジナルとリフレクションGAN再構成されたリフレクタンス入力の両方で複数の学習ベースモデルをトレーニングした。 リフレクションGAN出力で訓練されたモデルは、既存の植生補正手法で継続的に性能を向上した。 例えば、最良の性能モデル(RF)は、R^2$0.54、RMSE3.95、PD2.07をリフレクションGAN生成信号に適用すると、R^2$が35倍、RMSEが43倍、RDDが43%向上した(PMM-SU)。 ReflectGANによるモデルの性能は、別のデータセット、すなわちSentinel-2イメージに適用した場合のモデルよりも優れている。 これらの結果は、植生景観におけるSOC推定精度を向上させるためにReflectGANの可能性を示しており、より信頼性の高い土壌モニタリングを支援している。

関連論文リスト

• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Enhancing Monocular Height Estimation via Sparse LiDAR-Guided Correction [18.671925059007478]
  合成データに基づいて学習した最先端のMHEモデルについて検討する。 このモデルは,過大評価や過小評価につながる要因である影の手がかりに大きく依存していることが判明した。 本稿では,不完全な大域的LiDAR測定と疎結合な補正パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-11T08:54:09Z)
• Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery [1.2670268797931266]
  本研究は,土壌の肥大化を図り,環境リスクを生じさせる光学式Sentinel-2衛星画像による消化処理の検出について検討した。 最初の例では、特定の指標(EOMI、NDVI、EVI)のSentinel-2衛星画像時系列(SITS)分析を用いて、EOMのスペクトル挙動を特徴づけた。 機械学習(ML)モデルは消化の有無を調査するために用いられ、F1スコアは最大0.85まで達成された。
  論文  参考訳（メタデータ） (2025-04-28T17:16:40Z)
• An Atmospheric Correction Integrated LULC Segmentation Model for High-Resolution Satellite Imagery [0.0]
  本研究では、大気の反射率と透過率を推定するために、ルックアップテーブルに基づく放射移動シミュレーションを用いる。 その後、修正された表面反射データは、教師付きおよび半教師付きセグメンテーションモデルで使用された。
  論文  参考訳（メタデータ） (2024-09-09T10:47:39Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• Incorporating Degradation Estimation in Light Field Spatial Super-Resolution [54.603510192725786]
  本稿では,多種多様な劣化型を扱うために,明示的な劣化推定を組み込んだ効果的なブラインド光場SR法LF-DESTを提案する。 ベンチマークデータセットに対する広範な実験を行い、光場SRにおける様々な劣化シナリオにおいてLF-DESTが優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2024-05-11T13:14:43Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)
• 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)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)

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。