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

• arxiv url: http://arxiv.org/abs/2506.12885v2
• Date: Sat, 21 Jun 2025 13:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 12:48:19.104916
• 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

• 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)
• 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。