Fugu-MT 論文翻訳(概要): Cropland Mapping using Geospatial Embeddings

論文の概要: Cropland Mapping using Geospatial Embeddings

arxiv url: http://arxiv.org/abs/2511.02923v1
Date: Tue, 04 Nov 2025 19:10:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-06 18:19:32.213655
Title: Cropland Mapping using Geospatial Embeddings
Title（参考訳）: 地理空間埋め込みを用いた作物マッピング
Authors: Ivan Zvonkov, Gabriel Tseng, Inbal Becker-Reshef, Hannah Kerner,
Abstract要約: 豊後県における農地マッピングにおける地理空間埋め込みの有用性について検討した。以上の結果から,地理空間埋め込みは,高精度の農地分類を簡素化し,究極的には土地利用の変化とその気候への影響のより良い評価を支援することが示唆された。
参考スコア（独自算出の注目度）: 14.758791573167152
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate and up-to-date land cover maps are essential for understanding land use change, a key driver of climate change. Geospatial embeddings offer a more efficient and accessible way to map landscape features, yet their use in real-world mapping applications remains underexplored. In this work, we evaluated the utility of geospatial embeddings for cropland mapping in Togo. We produced cropland maps using embeddings from Presto and AlphaEarth. Our findings show that geospatial embeddings can simplify workflows, achieve high-accuracy cropland classification and ultimately support better assessments of land use change and its climate impacts.
Abstract（参考訳）: 気候変動の主要な要因である土地利用の変化を理解するためには、正確な土地被覆地図と最新の土地被覆地図が不可欠である。地理空間埋め込みは、ランドスケープの特徴をマップするより効率的でアクセスしやすい方法を提供するが、現実世界のマッピングアプリケーションでの使用は、まだ探索されていない。本研究では,東郷の農地マッピングにおける地理空間埋め込みの有用性について検討した。私たちはPrestoとAlphaEarthの埋め込みを使って農地地図を作成しました。その結果,地理空間埋め込みはワークフローを簡素化し,高精度な農地分類を実現し,最終的に土地利用の変化とその気候影響のより良い評価を支援することが示唆された。

関連論文リスト

Fine-Scale Soil Mapping in Alaska with Multimodal Machine Learning [1.4786253394033289]
高分解能土壌地図は永久凍土の分布を特徴づけ、脆弱な地域を特定し、適応戦略を示すのに不可欠である。近地永久凍土と土壌分類のための大規模土壌マップを作成するための視覚ベース機械学習(ML)モデルであるMISOを提案する。我々は,土壌マッピングに広く用いられている従来のMLモデルであるRandom Forest (RF)とMISOを比較した。
論文参考訳（メタデータ） (2025-06-17T22:09:48Z)
Mapping Farmed Landscapes from Remote Sensing [1.8485970721272897]
本稿では,農村景観の特徴の高解像度(25cm)マップであるFarmscapesを紹介した。このマップは、942の注釈付きタイルからなる新しいデータセットに基づいて訓練されたディープラーニングセグメンテーションモデルを用いて作成された。 Google Earth Engineでイングランド全体の地図を公開することによって、生態学者や政策立案者に強力なオープンアクセスツールを提供しています。
論文参考訳（メタデータ） (2025-06-16T20:50:05Z)
EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
論文参考訳（メタデータ） (2025-04-28T02:41:12Z)
PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
論文参考訳（メタデータ） (2025-01-10T18:59:42Z)
Mapping earth mounds from space [3.563472192852372]
植生の規則的なパターンは広い景観と見なされているが、その世界的な範囲は推定されていない。その中でも、斑点のある風景は、気候変動の文脈に特に関心がある。本稿は、いくつかの地形と地理的領域における最先端のディープネットワークをベンチマークする。
論文参考訳（メタデータ） (2024-08-31T18:08:37Z)
MapGPT: Map-Guided Prompting with Adaptive Path Planning for Vision-and-Language Navigation [73.81268591484198]
GPTを装備した身体的エージェントは、様々なタスクにまたがる異常な意思決定と一般化能力を示した。本稿では,グローバルな探索を促進するオンライン言語地図を提供するMapGPTという,地図誘導型GPTエージェントについて紹介する。本設計の利点を生かして,地図に基づく多段階経路計画を行うエージェントを支援する適応型計画手法を提案する。
論文参考訳（メタデータ） (2024-01-14T15:34:48Z)
A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data [4.2968261363970095]
本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
論文参考訳（メタデータ） (2022-08-18T13:30:56Z)
Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
論文参考訳（メタデータ） (2022-04-14T15:41:39Z)
Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文参考訳（メタデータ） (2022-03-26T20:10:38Z)
OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文参考訳（メタデータ） (2020-07-13T09:58:14Z)

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。