論文の概要: Attention-Based Ensemble Learning for Crop Classification Using Landsat 8-9 Fusion

• arxiv url: http://arxiv.org/abs/2506.18321v1
• Date: Mon, 23 Jun 2025 06:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.876497
• Title: Attention-Based Ensemble Learning for Crop Classification Using Landsat 8-9 Fusion
• Title（参考訳）: Landsat 8-9 Fusion を用いた作物分類における注意に基づくアンサンブル学習
• Authors: Zeeshan Ramzan, Nisar Ahmed, Qurat-ul-Ain Akram, Shahzad Asif, Muhammad Shahbaz, Rabin Chakrabortty, Ahmed F. Elaksher,
• Abstract要約: 本研究は,中部パンジャブの灌水地域における作物被覆の同定に焦点をあてる。 データ収集は2つの段階で実行された。 第2段階では、ラベル付きデータセットを構築するために、各ジオコードフィールドのLandsat 8-9画像を取得する。
• 参考スコア（独自算出の注目度）: 3.342115421418929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing offers a highly effective method for obtaining accurate information on total cropped area and crop types. The study focuses on crop cover identification for irrigated regions of Central Punjab. Data collection was executed in two stages: the first involved identifying and geocoding six target crops through field surveys conducted in January and February 2023. The second stage involved acquiring Landsat 8-9 imagery for each geocoded field to construct a labelled dataset. The satellite imagery underwent extensive pre-processing, including radiometric calibration for reflectance values, atmospheric correction, and georeferencing verification to ensure consistency within a common coordinate system. Subsequently, image fusion techniques were applied to combine Landsat 8 and 9 spectral bands, creating a composite image with enhanced spectral information, followed by contrast enhancement. During data acquisition, farmers were interviewed, and fields were meticulously mapped using GPS instruments, resulting in a comprehensive dataset of 50,835 data points. This dataset facilitated the extraction of vegetation indices such as NDVI, SAVO, RECI, and NDRE. These indices and raw reflectance values were utilized for classification modeling using conventional classifiers, ensemble learning, and artificial neural networks. A feature selection approach was also incorporated to identify the optimal feature set for classification learning. This study demonstrates the effectiveness of combining remote sensing data and advanced modeling techniques to improve crop classification accuracy in irrigated agricultural regions.
• Abstract（参考訳）: リモートセンシングは、収穫面積と作物の種類に関する正確な情報を得るための、非常に効果的な方法を提供する。 本研究は,中部パンジャブの灌水地域における作物被覆の同定に焦点をあてる。 データ収集は、2023年1月と2月に行われたフィールドサーベイを通じて、6つのターゲット作物の識別とジオコーディングを含む2つの段階で実行された。 第2段階では、ラベル付きデータセットを構築するために、各ジオコードフィールドのLandsat 8-9画像を取得する。 衛星画像は、反射率値の放射校正、大気補正、および共通の座標系内での整合性を確保するためのジオレファレンス検証を含む広範囲な事前処理が行われた。 その後、ランドサット8と9のスペクトルバンドを組み合わせるために画像融合技術を適用し、スペクトル情報を強化した合成画像を作成し、コントラスト強調を行った。 データ取得の間、農家はインタビューを受け、フィールドはGPS機器を使って慎重にマッピングされ、結果として50,835のデータポイントの包括的なデータセットが得られた。 このデータセットは,NDVI,SAVO,RECI,NDREなどの植生指標の抽出を容易にする。 これらの指標と生の反射率値は,従来の分類器,アンサンブル学習,人工ニューラルネットワークを用いた分類モデルに利用した。 分類学習における最適特徴セットを特定するために,特徴選択手法も取り入れた。 本研究では, 遠隔センシングデータと高度なモデリング手法を組み合わせることで, 農業地域における作物の分類精度を向上させる効果を実証する。

関連論文リスト

• A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
  この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。 その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
  論文  参考訳（メタデータ） (2025-03-10T12:15:35Z)
• 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)
• Deep-Learning Framework for Optimal Selection of Soil Sampling Sites [0.0]
  この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。 本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。 このモデルはテストデータセットにおいて、平均精度99.52%、IoU平均インターセクション57.35%、Dice Coefficient平均71.47%という驚くべき結果を得た。
  論文  参考訳（メタデータ） (2023-09-02T16:19:21Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Semantically-consistent Landsat 8 image to Sentinel-2 image translation for alpine areas [0.0]
  本論文では,ランドサット8とセンチネル2のセンサ差を狭めるため,HRSemI2Iモデルを用いてスタイル伝達によるドメイン適応実験を行った。 HRSemI2Iモデルは、6バンド画像で動作するように調整され、平均値とクラス毎のメトリクスの交差対一性能が大幅に向上した。 第2のコントリビューションは、NALCMS 2015とCORINEの2つのラベルスキーム間の異なる一般化スキームを提供することである。
  論文  参考訳（メタデータ） (2022-12-22T22:07:28Z)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• 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)

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。