論文の概要: Satellite-based Rabi rice paddy field mapping in India: a case study on Telangana state
- arxiv url: http://arxiv.org/abs/2507.05189v1
- Date: Mon, 07 Jul 2025 16:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.522026
- Title: Satellite-based Rabi rice paddy field mapping in India: a case study on Telangana state
- Title（参考訳）: インドにおけるサテライト系ラビ水田マッピング--テランガナ州を事例として
- Authors: Prashanth Reddy Putta, Fabio Dell'Acqua,
- Abstract要約: 本研究は、2018-19年米の季節にインドの32の地域におけるアグロ・エコロジーの変動に適応する表現学主導の枠組みを開発した。
地域別校正法は,従来の地域クラスタリング法に比べて93.3%の精度で8.0ポイント改善した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate rice area monitoring is critical for food security and agricultural policy in smallholder farming regions, yet conventional remote sensing approaches struggle with the spatiotemporal heterogeneity characteristic of fragmented agricultural landscapes. This study developed a phenology-driven classification framework that systematically adapts to local agro-ecological variations across 32 districts in Telangana, India during the 2018-19 Rabi rice season. The research reveals significant spatiotemporal diversity, with phenological timing varying by up to 50 days between districts and field sizes ranging from 0.01 to 2.94 hectares. Our district-specific calibration approach achieved 93.3% overall accuracy, an 8.0 percentage point improvement over conventional regional clustering methods, with strong validation against official government statistics (R^2 = 0.981) demonstrating excellent agreement between remotely sensed and ground truth data. The framework successfully mapped 732,345 hectares by adapting to agro-climatic variations, with Northern districts requiring extended land preparation phases (up to 55 days) while Southern districts showed compressed cultivation cycles. Field size analysis revealed accuracy declining 6.8 percentage points from medium to tiny fields, providing insights for operational monitoring in fragmented landscapes. These findings demonstrate that remote sensing frameworks must embrace rather than simplify landscape complexity, advancing region-specific agricultural monitoring approaches that maintain scientific rigor while serving practical policy and food security applications.
- Abstract（参考訳）: 水田の正確なモニタリングは、小作農地帯における食料安全保障と農業政策にとって重要であるが、従来のリモートセンシングアプローチは、分断された農地の時空間的均質性に苦慮している。
本研究は,インド・テランガナの32地区にまたがる地域農業生態の変化に,2018-19ラビ稲の季節に適応する表現学主導型分類枠組みを開発した。
この研究は時空間の顕著な多様性を明らかにしており、地域ごとの表現学的タイミングは0.01から2.94ヘクタールの範囲で最大50日まで変化している。
地域別校正法は,従来の地域クラスタリング法に比べて93.3%の精度で8.0ポイント向上し,官報統計(R^2 = 0.981)に対する強い検証結果が得られた。
この枠組みは農業と気候の変動に適応して732,345ヘクタールの地図化に成功し、北部は土地の準備期間(最大55日)を延長し、南部は栽培サイクルを圧縮した。
フィールドサイズ分析により、中小のフィールドから6.8ポイントの精度が低下し、断片化されたランドスケープでの運用監視の洞察が得られた。
これらの知見は、リモートセンシングフレームワークは、景観の複雑さを単純化するよりも、科学的厳密さを維持しつつ、実践的な政策や食料安全保障のアプリケーションを提供しながら、地域固有の農業監視アプローチを推し進めなければならないことを示している。
関連論文リスト
- National level satellite-based crop field inventories in smallholder landscapes [0.746823468023145]
モザンビークにおける2100万のフィールドの全国レベルのデータセットを初めて提供します。
我々の地図は、農耕地と非農耕地を分け、全体の93%の精度で分けている。
モザンビークのフィールドサイズは全体的に非常に低く、フィールドの半分は0.16ha以下、83%は0.5ha以下である。
論文 参考訳（メタデータ） (2025-07-14T17:23:43Z) - Remote Sensing Reveals Adoption of Sustainable Rice Farming Practices Across Punjab, India [3.1462853484338305]
水稲栽培は世界の淡水の24～30%を消費し、主要水田地域で水管理の課題を生んでいる。
インド・パンジャブで,持続可能な水管理の実践を大規模に監視する新しいリモートセンシングフレームワークを開発した。
本研究は, 持続可能な水管理の導入, 目標介入, 大規模プログラムへの影響測定を行うための強力なツールを政策立案者に提供した。
論文 参考訳（メタデータ） (2025-07-11T14:00:43Z) - Farm-Level, In-Season Crop Identification for India [5.579157195449019]
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。
論文 参考訳（メタデータ） (2025-06-30T16:16:09Z) - Crop recommendation with machine learning: leveraging environmental and economic factors for optimal crop selection [0.0]
農業はインドにおける食料生産、経済成長、雇用の主な源となっている。
作物レコメンデーションシステムのような計算ツールの採用は、農家が生産性の低下に対処するための新しい方法を提供する。
本研究では、15州に19の作物を栽培する環境・経済要因を用いてランダムフォレストとSVMモデルの開発と評価を行った。
論文 参考訳（メタデータ） (2025-05-27T13:47:56Z) - 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) - Satellite Data Shows Resilience of Tigrayan Farmers in Crop Cultivation During Civil War [10.852723817335475]
ティグレイ戦争(ティグレイせんせん、英語: Tigray War)は、2020年11月3日から2022年11月2日までエチオピア北部のティグレイ地方で起きた戦闘である。
ティグレイの農業が生活と食料安全保障にとって重要であることを考えると、戦争が耕作地に与える影響を判断することが重要である。
衛星画像と統計地域推定技術を用いて,戦前および戦時中におけるティグレイの作物栽培地域の変化を評価した。
論文 参考訳（メタデータ） (2023-12-17T21:33:07Z) - Climate Change Impact on Agricultural Land Suitability: An Interpretable
Machine Learning-Based Eurasia Case Study [94.07737890568644]
2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。
気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。
本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
論文 参考訳（メタデータ） (2023-10-24T15:15:28Z) - 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) - 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) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - 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) - Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。
このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。
衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
論文 参考訳（メタデータ） (2020-04-11T19:49:09Z)
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。