論文の概要: Grazing Detection using Deep Learning and Sentinel-2 Time Series Data

• arxiv url: http://arxiv.org/abs/2510.14493v1
• Date: Thu, 16 Oct 2025 09:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.800725
• Title: Grazing Detection using Deep Learning and Sentinel-2 Time Series Data
• Title（参考訳）: 深層学習とセンチネル-2時系列データを用いた粒度検出
• Authors: Aleksis Pirinen, Delia Fano Yela, Smita Chakraborty, Erik Källman,
• Abstract要約: マルチ時間反射特性に基づいてCNN-LSTMモデルのアンサンブルを訓練する。 我々は5回の検証で平均77%のF1スコアを達成し、90%は狂った牧草地でリコールした。 運用上, 調査員が年間4%のサイトを訪問できる場合, 非放牧地として予測されるフィールドは, ランダム検査の17.2倍の非放牧地となっている。
• 参考スコア（独自算出の注目度）: 1.2082885882125567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grazing shapes both agricultural production and biodiversity, yet scalable monitoring of where grazing occurs remains limited. We study seasonal grazing detection from Sentinel-2 L2A time series: for each polygon-defined field boundary, April-October imagery is used for binary prediction (grazed / not grazed). We train an ensemble of CNN-LSTM models on multi-temporal reflectance features, and achieve an average F1 score of 77 percent across five validation splits, with 90 percent recall on grazed pastures. Operationally, if inspectors can visit at most 4 percent of sites annually, prioritising fields predicted by our model as non-grazed yields 17.2 times more confirmed non-grazing sites than random inspection. These results indicate that coarse-resolution, freely available satellite data can reliably steer inspection resources for conservation-aligned land-use compliance. Code and models have been made publicly available.
• Abstract（参考訳）: 放牧は農業生産と生物多様性の両方を形作っているが、放牧の場所のスケーラブルなモニタリングは依然として限られている。 我々は,Sentinel-2 L2A 時系列からの季節的放牧検出について検討し,各ポリゴン定義フィールド境界に対して,4月と10月の画像が二分予測(放牧/放牧/放牧)に使用されることを示した。 CNN-LSTMモデルのマルチ時間反射特性のアンサンブルをトレーニングし、5つの検証分割で平均77%のF1スコアを達成し、90%の牧草地でのリコールを達成した。 運用上, 調査員が年間4%のサイトを訪問できる場合, 非放牧地として予測されるフィールドは, ランダム検査の17.2倍の非放牧地となっている。 これらの結果から, 粗大な衛星データにより, 保全に整合した土地利用コンプライアンスのための検査資源を確実に活用できることが示唆された。 コードとモデルは公開されている。

関連論文リスト

• Multispectral Remote Sensing for Weed Detection in West Australian Agricultural Lands [3.6284577335311563]
  オーストラリア西部のコンディニン地域は、広範囲にわたる雑草の寄生による農業上の大きな課題に直面しており、経済的損失と生態学的影響を引き起こしている。 本研究は, 精密農業の実践を促進するため, 雑草検出のための多スペクトルリモートセンシングフレームワークを構築した。 無人航空機は、4年間にわたって2つの実験領域から生のマルチスペクトルデータを収集するために用いられ、0.6046 km2をカバーし、地上の真実の注釈は、手動で雑草や作物をラベル付けするためにGPS対応車両で作成された。
  論文  参考訳（メタデータ） (2025-02-12T07:01:42Z)
• 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)
• 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)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• 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)
• SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation [17.954335118363964]
  我々は,高解像度カラー画像10,821枚(正常9,621枚,異常1200枚)からなるVisual Anomaly (VisA) データセットを3つの領域で12個のオブジェクトに対してリリースした。 本研究では,SPD(SPot-the-Difference)という自己教師付きフレームワークを提案する。 VisAとMVTec-ADデータセットの実験では、SPDはコントラスト付き事前トレーニングベースラインや教師付き事前トレーニングさえも一貫して改善している。
  論文  参考訳（メタデータ） (2022-07-28T18:00:03Z)
• Two-dimensional Deep Regression for Early Yield Prediction of Winter Wheat [0.0]
  我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。 我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。 提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-15T20:40:15Z)

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。