論文の概要: Farm-Level, In-Season Crop Identification for India

• arxiv url: http://arxiv.org/abs/2507.02972v1
• Date: Mon, 30 Jun 2025 16:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.486562
• Title: Farm-Level, In-Season Crop Identification for India
• Title（参考訳）: インドにおける農業レベルのインシーズン作物識別
• Authors: Ishan Deshpande, Amandeep Kaur Reehal, Chandan Nath, Renu Singh, Aayush Patel, Aishwarya Jayagopal, Gaurav Singh, Gaurav Aggarwal, Amit Agarwal, Prathmesh Bele, Sridhar Reddy, Tanya Warrier, Kinjal Singh, Ashish Tendulkar, Luis Pazos Outon, Nikita Saxena, Agata Dondzik, Dinesh Tewari, Shruti Garg, Avneet Singh, Harsh Dhand, Vaibhav Rajan, Alok Talekar,
• Abstract要約: 本研究では,深層学習を用いた農業レベルのマルチクロップ識別を全国規模(インド)で実現するフレームワークを提案する。 本手法は,全国規模の農地境界データと統合したSentinel-1およびSentinel-2衛星画像の強度を利用する。 本手法は,収穫期と収穫期を推定する自動季節検出アルゴリズムを取り入れたものである。
• 参考スコア（独自算出の注目度）: 5.579157195449019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate, timely, and farm-level crop type information is paramount for national food security, agricultural policy formulation, and economic planning, particularly in agriculturally significant nations like India. While remote sensing and machine learning have become vital tools for crop monitoring, existing approaches often grapple with challenges such as limited geographical scalability, restricted crop type coverage, the complexities of mixed-pixel and heterogeneous landscapes, and crucially, the robust in-season identification essential for proactive decision-making. We present a framework designed to address the critical data gaps for targeted data driven decision making which generates farm-level, in-season, multi-crop identification at national scale (India) using deep learning. Our methodology leverages the strengths of Sentinel-1 and Sentinel-2 satellite imagery, integrated with national-scale farm boundary data. The model successfully identifies 12 major crops (which collectively account for nearly 90% of India's total cultivated area showing an agreement with national crop census 2023-24 of 94% in winter, and 75% in monsoon season). Our approach incorporates an automated season detection algorithm, which estimates crop sowing and harvest periods. This allows for reliable crop identification as early as two months into the growing season and facilitates rigorous in-season performance evaluation. Furthermore, we have engineered a highly scalable inference pipeline, culminating in what is, to our knowledge, the first pan-India, in-season, farm-level crop type data product. The system's effectiveness and scalability are demonstrated through robust validation against national agricultural statistics, showcasing its potential to deliver actionable, data-driven insights for transformative agricultural monitoring and management across India.
• Abstract（参考訳）: 正確な、タイムリーで、農家レベルの作物情報は、特にインドのような農業の重要な国において、国家の食料安全保障、農業政策の定式化、経済計画にとって最重要事項である。 リモートセンシングと機械学習は、作物のモニタリングに欠かせないツールとなっているが、既存のアプローチは、地理的スケーラビリティの制限、作物の種類が制限されたこと、混合ピクセルと異質な風景の複雑さ、そして重要なことは、積極的に意思決定するのに不可欠な堅牢なシーズン内識別といった課題に悩まされている。 本研究では,深層学習を用いて,農業レベルでのインシーズン,マルチクロップ識別を全国規模(インド)で生成する,目標とするデータ駆動意思決定のための重要なデータギャップに対処するフレームワークを提案する。 本手法は,全国規模の農地境界データと統合したSentinel-1およびSentinel-2衛星画像の強度を利用する。 このモデルでは12種類の主要作物(総面積の90%近くを占めており、2023-24年冬の94%、モンスーンシーズンの75%)を識別することに成功した。 本手法は,収穫期と収穫期を推定する自動季節検出アルゴリズムを取り入れたものである。 これにより、成長期に入ってから2ヶ月も経たないうちに、信頼性の高い作物の識別が可能となり、厳密なシーズン内パフォーマンス評価が容易になる。 さらに、我々は高度にスケーラブルな推論パイプラインを設計し、私たちの知る限り、最初のパン・インド、インシーズン、農場レベルの作物型データ製品が完成しました。 システムの有効性とスケーラビリティは、全国的な農業統計に対する堅牢な検証を通じて実証され、インド全体の農業モニタリングと管理を変革する上で、実行可能なデータ駆動の洞察を提供する可能性を示している。

関連論文リスト

• Detecting Multiple Diseases in Multiple Crops Using Deep Learning [0.6138671548064356]
  本論文では,インドにおける多様な農業景観をカバーすることを目的とした,複数作物の多疾患検出のための深層学習型ソリューションを提案する。 まず、利用可能なリポジトリから17の異なる作物と34の病気の画像を含む統合データセットを作成します。 提案されたディープラーニングモデルは、このデータセットに基づいてトレーニングされ、精度とカバーされる作物、病気の数で最先端のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2025-07-03T10:26:49Z)
• California Crop Yield Benchmark: Combining Satellite Image, Climate, Evapotranspiration, and Soil Data Layers for County-Level Yield Forecasting of Over 70 Crops [0.0]
  2008年から2022年にかけて、カリフォルニア全郡で70以上の作物をカバーした収量ベンチマークデータセットを紹介した。 このベンチマークは、ランドサットの衛星画像、日々の気候記録、毎月の蒸発散、高解像度の土壌特性など、さまざまなデータソースを統合している。 郡レベルの収量予測に適したマルチモーダル深層学習モデルを構築した。 提案手法は, カリフォルニアの多様な農業地域において, 全作物の未確認試験データセットに対して0.76の総合的なR2スコアを達成し, 高い予測性能を示した。
  論文  参考訳（メタデータ） (2025-06-11T23:12:22Z)
• Agricultural Landscape Understanding At Country-Scale [7.978859577060083]
  我々は、高解像度画像とUNetスタイルのセグメンテーションモデルを用いて、その種類の国規模のマルチクラスパノラマセグメンテーション出力の1つを生成する。 我々は151.7万ヘクタールにまたがる個別の畑を特定でき、水資源や植生などの重要な特徴を記述できる。
  論文  参考訳（メタデータ） (2024-11-08T06:29:02Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• 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)
• PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
  本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。 UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。 異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2023-06-07T16:04:08Z)
• CWD30: A Comprehensive and Holistic Dataset for Crop Weed Recognition in Precision Agriculture [1.64709990449384]
  精密農業における作物雑草認識タスクに適した大規模・多種多様・包括的・階層的データセットであるCWD30データセットを提示する。 CWD30は20種の雑草と10種の高解像度画像を219,770枚以上、様々な成長段階、複数の視角、環境条件を含む。 データセットの階層的な分類は、きめ細かい分類を可能にし、より正確で堅牢で一般化可能なディープラーニングモデルの開発を促進する。
  論文  参考訳（メタデータ） (2023-05-17T09:39:01Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)

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。