論文の概要: Data-Driven Soil Organic Carbon Sampling: Integrating Spectral Clustering with Conditioned Latin Hypercube Optimization

• arxiv url: http://arxiv.org/abs/2506.10419v1
• Date: Thu, 12 Jun 2025 07:18:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.622077
• Title: Data-Driven Soil Organic Carbon Sampling: Integrating Spectral Clustering with Conditioned Latin Hypercube Optimization
• Title（参考訳）: データ駆動型有機炭素サンプリング:スペクトルクラスタリングと条件付きラテンハイパーキューブ最適化の統合
• Authors: Weiying Zhao, Aleksei Unagaev, Natalia Efremova,
• Abstract要約: 土壌有機炭素(SOC)モニタリングは、しばしば代表的なフィールドサンプリング場所の選択に依存する。 スペクトルクラスタリングと条件付きラテンハイパーキューブサンプリングを統合した新しいハイブリッド手法を提案する。 この改良されたサンプリング設計はより正確なSOC予測をもたらす可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soil organic carbon (SOC) monitoring often relies on selecting representative field sampling locations based on environmental covariates. We propose a novel hybrid methodology that integrates spectral clustering - an unsupervised machine learning technique with conditioned Latin hypercube sampling (cLHS) to enhance the representativeness of SOC sampling. In our approach, spectral clustering partitions the study area into $K$ homogeneous zones using multivariate covariate data, and cLHS is then applied within each zone to select sampling locations that collectively capture the full diversity of environmental conditions. This hybrid spectral-cLHS method ensures that even minor but important environmental clusters are sampled, addressing a key limitation of vanilla cLHS which can overlook such areas. We demonstrate on a real SOC mapping dataset that spectral-cLHS provides more uniform coverage of covariate feature space and spatial heterogeneity than standard cLHS. This improved sampling design has the potential to yield more accurate SOC predictions by providing better-balanced training data for machine learning models.
• Abstract（参考訳）: 土壌有機炭素(SOC)モニタリングは、しばしば環境共変量に基づく代表フィールドサンプリング場所の選択に依存する。 本研究では、スペクトルクラスタリングと条件付きラテンハイパーキューブサンプリング(cLHS)を統合し、SOCサンプリングの表現性を向上する新しいハイブリッド手法を提案する。 本手法では, スペクトルクラスタリングにより, 多変量共変量データを用いて, 研究領域を$K$均質ゾーンに分割し, cLHSを各ゾーン内に適用して, 環境条件の全多様性を総合的に把握するサンプリング場所を選択する。 このハイブリッドスペクトル-cLHS法は、小さなが重要な環境クラスターでさえサンプリングされることを保証し、そのような領域を見渡すことのできるバニラcLHSの重要な制限に対処する。 我々は、スペクトル-cLHSが標準cLHSよりも共変量特徴空間と空間的不均一性をより均一にカバーできる実SOCマッピングデータセットを実証する。 この改良されたサンプリング設計は、機械学習モデルのためのより良いバランスの取れたトレーニングデータを提供することにより、より正確なSOC予測をもたらす可能性がある。

関連論文リスト

• Minimax-Optimal Dimension-Reduced Clustering for High-Dimensional Nonspherical Mixtures [1.4502611532302039]
  各クラスタ内の非球面(異方性)ノイズは、実世界のデータに広く存在している。 本研究では,高次元非球面混合モデルに基づくクラスタリングにおける最小値と最適統計手法について検討した。
  論文  参考訳（メタデータ） (2025-02-04T18:55:49Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• SpectralDiff: A Generative Framework for Hyperspectral Image Classification with Diffusion Models [18.391049303136715]
  拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。 SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。 3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-12T16:32:34Z)
• Multi-level Latent Space Structuring for Generative Control [53.240701050423155]
  本稿では,StyleGAN生成アーキテクチャを活用して新たなトランケーション手法を提案する。 我々は、ガウスの学習可能な混合を用いて、StyleGANの拡張中間潜在空間であるW-空間を再生成することを学ぶ。 結果として生じる切り離しスキームは、元の未熟なサンプルをより忠実にし、品質と多様性のトレードオフをより良くする。
  論文  参考訳（メタデータ） (2022-02-11T21:26:17Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。