論文の概要: Learning to See More: UAS-Guided Super-Resolution of Satellite Imagery for Precision Agriculture
- arxiv url: http://arxiv.org/abs/2505.21746v1
- Date: Tue, 27 May 2025 20:34:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 17:35:50.282813
- Title: Learning to See More: UAS-Guided Super-Resolution of Satellite Imagery for Precision Agriculture
- Title（参考訳）: UASによる精密農業用衛星画像の超解像化
- Authors: Arif Masrur, Peder A. Olsen, Paul R. Adler, Carlan Jackson, Matthew W. Myers, Nathan Sedghi, Ray R. Weil,
- Abstract要約: 無人航空機システム(UAS)と衛星は精密農業のための重要なデータ源であるが、それぞれがトレードオフを提示する。
衛星データは、広い空間的、時間的、スペクトル的範囲を提供するが、多くの精密農業アプリケーションに必要な解像度は欠如している。
本研究では,超解像法を用いて衛星画像とUAS画像を融合する新しい枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.6910389029249664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned Aircraft Systems (UAS) and satellites are key data sources for precision agriculture, yet each presents trade-offs. Satellite data offer broad spatial, temporal, and spectral coverage but lack the resolution needed for many precision farming applications, while UAS provide high spatial detail but are limited by coverage and cost, especially for hyperspectral data. This study presents a novel framework that fuses satellite and UAS imagery using super-resolution methods. By integrating data across spatial, spectral, and temporal domains, we leverage the strengths of both platforms cost-effectively. We use estimation of cover crop biomass and nitrogen (N) as a case study to evaluate our approach. By spectrally extending UAS RGB data to the vegetation red edge and near-infrared regions, we generate high-resolution Sentinel-2 imagery and improve biomass and N estimation accuracy by 18% and 31%, respectively. Our results show that UAS data need only be collected from a subset of fields and time points. Farmers can then 1) enhance the spectral detail of UAS RGB imagery; 2) increase the spatial resolution by using satellite data; and 3) extend these enhancements spatially and across the growing season at the frequency of the satellite flights. Our SRCNN-based spectral extension model shows considerable promise for model transferability over other cropping systems in the Upper and Lower Chesapeake Bay regions. Additionally, it remains effective even when cloud-free satellite data are unavailable, relying solely on the UAS RGB input. The spatial extension model produces better biomass and N predictions than models built on raw UAS RGB images. Once trained with targeted UAS RGB data, the spatial extension model allows farmers to stop repeated UAS flights. While we introduce super-resolution advances, the core contribution is a lightweight and scalable system for affordable on-farm use.
- Abstract（参考訳）: 無人航空機システム(UAS)と衛星は精密農業のための重要なデータ源であるが、それぞれがトレードオフを提示する。
衛星データは広い空間的、時間的、スペクトル的範囲を提供するが、多くの精密農業アプリケーションに必要な解像度は欠如しており、UASは空間的詳細を提供するが、特にハイパースペクトルデータでは、カバー範囲とコストによって制限される。
本研究では,超解像法を用いて衛星画像とUAS画像を融合する新しい枠組みを提案する。
空間、スペクトル、時間領域にまたがるデータを統合することで、両プラットフォームの強みを費用対効果で活用する。
本研究は, カバー作物のバイオマスと窒素(N)の推定を事例研究として用いた。
植生赤縁領域と近赤外領域にUAS RGBデータをスペクトル的に拡張することにより,高解像度のSentinel-2画像を生成し,バイオマスとNの推定精度をそれぞれ18%,31%向上させる。
その結果,UASデータはフィールドとタイムポイントのサブセットからのみ収集する必要があることがわかった。
農家は
1)UAS RGB画像のスペクトル詳細を強化する。
2)衛星データによる空間分解能の向上,及び
3) これらの拡張は, 衛星飛行の頻度で成長期の間, 空間的に拡張する。
SRCNNを用いたスペクトル拡張モデルでは,上チェサピーク湾および下チェサピーク湾における他の収穫システムと比較して,モデル伝達性がかなり高いことが示されている。
さらに、雲のない衛星データが利用できない場合でも、UAS RGB入力のみに依存して有効である。
空間拡張モデルは生のUAS RGB画像上に構築されたモデルよりも優れたバイオマスとN予測を生成する。
目標とするUAS RGBデータでトレーニングされた場合、空間拡張モデルは農夫が繰り返しUAS飛行を止めることを可能にする。
超高解像度の進歩を導入する一方で、コアコントリビューションは、安価でスケーラブルなオンファーム利用のためのシステムです。
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) - SeeFar: Satellite Agnostic Multi-Resolution Dataset for Geospatial Foundation Models [0.0873811641236639]
SeeFar(シーファー)は、公共の衛星と商用衛星の多解像度衛星画像集である。
衛星タイプに縛られずに地理空間基盤モデルのトレーニングのために,このデータセットをキュレートした。
論文 参考訳（メタデータ） (2024-06-10T20:24:14Z) - Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
本稿では,ハイブリッド画像前処理パイプラインを統合することで,障害を克服する新しい計算イメージングフレームワークを提案する。
我々は,中国の江東宇宙ステーションと国際宇宙ステーションの合成衛星データセットとオンスキー観測の両方にアプローチを検証した。
我々のフレームワークは地球からの高忠実度3D衛星監視を可能にし、宇宙状況認識のためのコスト効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2024-04-29T03:13:09Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Fast Satellite Tensorial Radiance Field for Multi-date Satellite Imagery
of Large Size [0.76146285961466]
既存の衛星画像のNeRFモデルは、速度が遅いこと、入力として太陽情報を必要とすること、大きな衛星画像を扱う際の制限に悩まされている。
そこで本研究では,衛星画像の規模を小さくしながら,全過程を著しく加速するサテンソRFについて述べる。
論文 参考訳（メタデータ） (2023-09-21T04:00:38Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Deep Learning Models for River Classification at Sub-Meter Resolutions
from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。
我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。
新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-12-27T20:56:34Z) - 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) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Manipulating UAV Imagery for Satellite Model Training, Calibration and
Testing [4.514832807541816]
現代の家畜の農業はますますデータ駆動化が進み、広範囲のデータを収集するために効率的なリモートセンシングに依存している。
衛星画像はそのようなデータソースの1つであり、カバー範囲が増加しコストが低下するにつれて、農家にとってアクセスしやすくなっている。
本稿では,衛星データの品質に合わせた高分解能UAV画像の多時間データセットを提案する。
論文 参考訳（メタデータ） (2022-03-22T03:57:02Z) - DUT-LFSaliency: Versatile Dataset and Light Field-to-RGB Saliency
Detection [104.50425501764806]
ライトフィールドサリエンシー検出のための汎用性の高いアプリケーションを可能にする大規模なデータセットを紹介します。
本論文では,フォカルストリームとRGBストリームからなる非対称2ストリームモデルを提案する。
実験は、我々の焦点ストリームが最先端のパフォーマンスを達成することを実証する。
論文 参考訳（メタデータ） (2020-12-30T11:53:27Z)
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。