論文の概要: Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning

• arxiv url: http://arxiv.org/abs/2506.12885v1
• Date: Sun, 15 Jun 2025 15:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.085933
• Title: Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning
• Title（参考訳）: モデル非依存, 温度インフォーム型サンプリングは, 深層学習によるクロスイヤークロップマッピングを実現する
• Authors: Mehmet Ozgur Turkoglu, Selene Ledain, Helge Aasen,
• Abstract要約: そこで本研究では,日平均気温に基づく成長日数(GDD)を利用して,日時を熱時間で置き換えるモデル非依存サンプリング手法を提案する。 本研究では,スイス全土にまたがる複数年間のSentinel-2データセットを用いて,成長期のトレーニングと他の季節での試験を行った。
• 参考スコア（独自算出の注目度）: 1.837552179215311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional benchmarks for crop type classification from optical satellite time series typically assume access to labeled data from the same year and rely on fixed calendar-day sampling. This limits generalization across seasons, where crop phenology shifts due to interannual climate variability, and precludes real-time application when current-year labels are unavailable. Furthermore, uncertainty quantification is often neglected, making such approaches unreliable for crop monitoring applications. Inspired by ecophysiological principles of plant growth, we propose a simple, model-agnostic sampling strategy that leverages growing degree days (GDD), based on daily average temperature, to replace calendar time with thermal time. By uniformly subsampling time series in this biologically meaningful domain, the method emphasizes phenologically active growth stages while reducing temporal redundancy and noise. We evaluate the method on a multi-year Sentinel-2 dataset spanning all of Switzerland, training on one growing season and testing on other seasons. Compared to state-of-the-art baselines, our method delivers substantial gains in classification accuracy and, critically, produces more calibrated uncertainty estimates. Notably, our method excels in low-data regimes and enables significantly more accurate early-season classification. With only 10 percent of the training data, our method surpasses the state-of-the-art baseline in both predictive accuracy and uncertainty estimation, and by the end of June, it achieves performance similar to a baseline trained on the full season. These results demonstrate that leveraging temperature data not only improves predictive performance across seasons but also enhances the robustness and trustworthiness of crop-type mapping in real-world applications.
• Abstract（参考訳）: 従来、光学衛星時系列からの作物タイプ分類のベンチマークでは、通常、同年からラベル付きデータにアクセスでき、固定された暦日のサンプリングに依存する。 これは季節を通じて一般化を制限し、作物の表現学は年々の気候変動によって変化し、現在のラベルが利用できない場合、リアルタイムの適用を妨げている。 さらに、不確実な定量化は無視されることが多く、作物のモニタリングには信頼性が低い。 植物の成長の生態学的原理に着想を得て,日平均気温に基づく成長日数(GDD)を利用して,日時を熱時間で置き換える,シンプルなモデルに依存しないサンプリング戦略を提案する。 この生物学的に意味のある領域で時系列を均一にサブサンプリングすることにより、時間的冗長性とノイズを低減しつつ、現象学的に活性な成長段階を強調する。 本研究では,スイス全土にまたがる複数年間のSentinel-2データセットを用いて,成長期をトレーニングし,他の季節をテストした。 最先端のベースラインと比較して,本手法は分類精度が大幅に向上し,より校正された不確実性推定が得られた。 特に,本手法は低データのレシエーションに優れ,より正確な早期シーズン分類を可能にする。 トレーニングデータの10%に過ぎず、予測精度と不確実性推定の両方で最先端のベースラインを超え、6月末までには、フルシーズンにトレーニングされたベースラインと同様のパフォーマンスを達成する。 これらの結果は,季節ごとの予測性能の向上だけでなく,実環境における作物型マッピングの堅牢性と信頼性の向上も示している。

関連論文リスト

• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• Phase-driven Domain Generalizable Learning for Nonstationary Time Series [9.753048297746608]
  本稿では,時系列学習フレームワークPhASERを提案する。 1) 識別的意味を保ちながら非定常性を多様化する位相増強,2) 時間変化の大きさと位相を独立なモダリティとして見ることによって特徴符号化,3) 固有正規化のための新たな残差接続による特徴放送により分布不変性を高める,という3つの新しい要素から構成される。
  論文  参考訳（メタデータ） (2024-02-05T02:51:37Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Generalized Classification of Satellite Image Time Series with Thermal Positional Encoding [3.5773108446345034]
  本稿では,注目型作物分類のための熱位置一般化(TPE)を提案する。 TPEは、成長期の平均気温を蓄積して得られる熱時間に基づいている。 我々は4つのヨーロッパ地域をまたいだ作物分類課題へのアプローチを実証し,その成果を報告する。
  論文  参考訳（メタデータ） (2022-03-17T08:53:22Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• 3D Iterative Spatiotemporal Filtering for Classification of Multitemporal Satellite Data Sets [4.6998356311022285]
  3次元幾何学的特徴は時間的データセット間の差異を評価するために安定であることが示されている。 本稿では,衛星データに基づく時間的分類のための多面的正光およびディジタル表面モデルの利用について検討する。
  論文  参考訳（メタデータ） (2021-07-01T16:26:52Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• The Semantic Adjacency Criterion in Time Intervals Mining [70.13948372218849]
  SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
  論文  参考訳（メタデータ） (2021-01-11T12:23:49Z)
• Resilient In-Season Crop Type Classification in Multispectral Satellite Observations using Growth Stage Normalization [2.4186361602373823]
  本研究では,中間空間分解能(30m)衛星データを用いた季節内作物型分類手法を提案する。 コンボリューション層とリカレント層の両方を利用したニューラルネットワークを用いて、ピクセルにトウモロコシ、大豆、または他の作物や土地被覆タイプが含まれているかどうかを予測する。 成長段階正規化時系列を用いたアプローチは、固定時間時系列よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-21T21:55:32Z)

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。