論文の概要: Scalable Vision-Guided Crop Yield Estimation

• arxiv url: http://arxiv.org/abs/2511.12999v1
• Date: Mon, 17 Nov 2025 05:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.695543
• Title: Scalable Vision-Guided Crop Yield Estimation
• Title（参考訳）: スケーラブルビジョン誘導作物収量推定
• Authors: Harrison H. Li, Medhanie Irgau, Nabil Janmohamed, Karen Solveig Rieckmann, David B. Lobell,
• Abstract要約: 我々は、写真から得られる収穫量を予測するために、コンピュータービジョンモデルを訓練する。 我々の制御機能は、サハラ以南のアフリカの米とトウモロコシ畑の2万近い実作物の伐採と写真による訓練によって学習される。 平均収率の最終的なベースポイント推定は、確率的に不偏であり、自然なベースライン推定値以上の分散を増大させることは不可能である。
• 参考スコア（独自算出の注目度）: 4.387113449549999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise estimation and uncertainty quantification for average crop yields are critical for agricultural monitoring and decision making. Existing data collection methods, such as crop cuts in randomly sampled fields at harvest time, are relatively time-consuming. Thus, we propose an approach based on prediction-powered inference (PPI) to supplement these crop cuts with less time-consuming field photos. After training a computer vision model to predict the ground truth crop cut yields from the photos, we learn a ``control function" that recalibrates these predictions with the spatial coordinates of each field. This enables fields with photos but not crop cuts to be leveraged to improve the precision of zone-wide average yield estimates. Our control function is learned by training on a dataset of nearly 20,000 real crop cuts and photos of rice and maize fields in sub-Saharan Africa. To improve precision, we pool training observations across different zones within the same first-level subdivision of each country. Our final PPI-based point estimates of the average yield are provably asymptotically unbiased and cannot increase the asymptotic variance beyond that of the natural baseline estimator -- the sample average of the crop cuts -- as the number of fields grows. We also propose a novel bias-corrected and accelerated (BCa) bootstrap to construct accompanying confidence intervals. Even in zones with as few as 20 fields, the point estimates show significant empirical improvement over the baseline, increasing the effective sample size by as much as 73% for rice and by 12-23% for maize. The confidence intervals are accordingly shorter at minimal cost to empirical finite-sample coverage. This demonstrates the potential for relatively low-cost images to make area-based crop insurance more affordable and thus spur investment into sustainable agricultural practices.
• Abstract（参考訳）: 農作物の平均収量に対する精密な推定と不確実性の定量化は、農業のモニタリングと意思決定に不可欠である。 収穫時に無作為なサンプルフィールドで刈り取られるような既存のデータ収集手法は、比較的時間を要する。 そこで本研究では,予測型推論(PPI)に基づいて,これらの作物の伐採を時間を要するフィールド写真で補う手法を提案する。 画像から得られた真理の収量を予測するためにコンピュータビジョンモデルを訓練した後、各フィールドの空間座標でこれらの予測を補正する「制御関数」を学習する。 これにより、写真付きで作物の伐採を行なわないフィールドを利用でき、ゾーンワイド平均収量推定の精度を向上させることができる。 我々の制御機能は、サハラ以南のアフリカの米とトウモロコシ畑の2万近い実作物の伐採と写真による訓練によって学習される。 精度を向上させるために、各国の同じ第1段階の区分内で、異なるゾーンにまたがるトレーニング観察をプールする。 最終PPIに基づく平均収率のポイント推定は、明らかに漸近的に偏りがなく、フィールドの数が増加するにつれて、自然ベースライン推定器(作物の伐採のサンプル平均)よりも漸近的な分散を増すことはできない。 また, バイアス補正・高速化(BCa)ブートストラップを提案する。 基準値が20フィールド未満の地域においても, 基準値よりも有意に改善し, 有効試料径が73%, トウモロコシ12～23%増加した。 信頼区間は、実証的な有限サンプルカバレッジに対して最小限のコストで短くなる。 このことは、比較的安価な画像が地域ベースの作物保険をより安価にし、持続可能な農業慣行への投資を促す可能性を示している。

関連論文リスト

• MT-CYP-Net: Multi-Task Network for Pixel-Level Crop Yield Prediction Under Very Few Samples [5.547023223870711]
  我々はMulti-Task Crop Yield Prediction Network (MT-CYP-Net)と呼ばれる新しい手法を提案する。 このフレームワークは、共有バックボーンネットワークから抽出された特徴を、収穫予測デコーダと作物分類デコーダの両方で同時に活用する、効果的なマルチタスク機能共有戦略を導入する。 この設計により、MT-CYP-Netは、細かな収量点ラベルと収量型ラベルで訓練できると同時に、詳細なピクセルレベルの収量マップを生成することができる。
  論文  参考訳（メタデータ） (2025-05-17T16:20:44Z)
• Crop Yield Time-Series Data Prediction Based on Multiple Hybrid Machine Learning Models [6.10631040784366]
  本研究では,収穫量の時系列データ予測に焦点を当てた。 世界経済における農業の重要性と社会安定を考えると、この研究は長年にわたって複数の作物、複数の地域、データを含むデータセットを用いている。 収率予測には、線形回帰、ランダムフォレスト、グラディエントブースト、XGBoost、KNN、決定木、バッグング回帰といった複数のハイブリッド機械学習モデルが採用されている。
  論文  参考訳（メタデータ） (2025-01-21T23:41:33Z)
• Exploiting Boundary Loss for the Hierarchical Panoptic Segmentation of Plants and Leaves [0.3659498819753633]
  本稿では,葉数と雑草の位置を同時に決定する階層的パノプティックセグメンテーション法を提案する。 この結果,標準学習セットでのPQ+81.89を達成できるだけでなく,本手法により葉数精度を向上できることを示す。
  論文  参考訳（メタデータ） (2024-12-31T16:23:58Z)
• 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)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• 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)
• Quantification of groundnut leaf defects using image processing algorithms [0.0]
  本研究は, アンダラプラデシュの4地域を対象に, イメージ・プロセッシング技術を用いて, 被害したオオムギの葉面積を推定する試みである。 これらの4つの領域にわたる画像解析の結果、葉面積の約14～28%がグラウンドナッツ畑で影響を受けることが明らかとなった。
  論文  参考訳（メタデータ） (2020-06-11T15:07:12Z)

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。