論文の概要: Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries

• arxiv url: http://arxiv.org/abs/2602.08131v1
• Date: Sun, 08 Feb 2026 21:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.99498
• Title: Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries
• Title（参考訳）: フィールド・オブ・ザ・ワールド:農業分野境界抽出のためのフィールドガイド
• Authors: Isaac Corley, Hannah Kerner, Caleb Robinson, Jennifer Marcus,
• Abstract要約: フィールドバウンダリマップは、農業データ製品のためのビルディングブロックであり、作物のモニタリング、収量推定、病気の推定をサポートする。 このチュートリアルでは、24カ国にまたがる1.6Mフィールドポリゴンのベンチマーク、事前訓練されたセグメンテーションモデル、コマンドライン推論ツールについて紹介する。
• 参考スコア（独自算出の注目度）: 15.115722799800055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Field boundary maps are a building block for agricultural data products and support crop monitoring, yield estimation, and disease estimation. This tutorial presents the Fields of The World (FTW) ecosystem: a benchmark of 1.6M field polygons across 24 countries, pre-trained segmentation models, and command-line inference tools. We provide two notebooks that cover (1) local-scale field boundary extraction with crop classification and forest loss attribution, and (2) country-scale inference using cloud-optimized data. We use MOSAIKS random convolutional features and FTW derived field boundaries to map crop type at the field level and report macro F1 scores of 0.65--0.75 for crop type classification with limited labels. Finally, we show how to explore pre-computed predictions over five countries (4.76M km\textsuperscript{2}), with median predicted field areas from 0.06 ha (Rwanda) to 0.28 ha (Switzerland).
• Abstract（参考訳）: フィールドバウンダリマップは、農業データ製品のためのビルディングブロックであり、作物のモニタリング、収量推定、病気の推定をサポートする。 このチュートリアルでは、24カ国にわたる1.6Mフィールドポリゴンのベンチマーク、事前訓練されたセグメンテーションモデル、コマンドライン推論ツールなど、FTW(Fields of the World)エコシステムについて紹介する。 本論文は,(1)作物分類と森林損失属性による地域規模フィールド境界抽出,(2)クラウド最適化データを用いた国規模推論を対象とする2つのノートブックを提供する。 我々は、MOSAIKSランダム畳み込み特性とFTW由来のフィールド境界を用いて、フィールドレベルでの作物タイプをマッピングし、限定ラベル付き作物タイプ分類におけるマクロF1スコア0.65-0.75を報告した。 最後に、5つの国(4.76M km\textsuperscript{2})における事前計算された予測を、0.06ha(ルワンダ)から0.28ha(スウィッツァーランド)までの中央値で探索する方法を示す。

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)
• Fields of The World: A Machine Learning Benchmark Dataset For Global Agricultural Field Boundary Segmentation [12.039406240082515]
  Fields of The World (FTW)は、農業分野のインスタンスセグメンテーションのための新しいベンチマークデータセットである。 FTWは70,462個のサンプルを持つ以前のデータセットよりも桁違いに大きい。 FTWで訓練されたモデルは、留保国において、ゼロショットと微調整性能が向上していることを示す。
  論文  参考訳（メタデータ） (2024-09-24T17:20:58Z)
• Evaluating the Role of Training Data Origin for Country-Scale Cropland Mapping in Data-Scarce Regions: A Case Study of Nigeria [0.6249768559720122]
  重要な課題は、トレーニングデータの量、品質、およびターゲット領域への近接がモデルの性能にどのように影響するかを理解することである。 ナイジェリアでは、全国をカバーする1,827のラベル付きサンプルとGeowikiデータセットのサブセットを用いて、これを評価した。 その結果,局所データにより精度が0.246 (RF) と0.178 (LSTM) に向上した。
  論文  参考訳（メタデータ） (2023-12-18T01:23:22Z)
• 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)
• Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery [42.70832378336697]
  高解像度衛星画像は、土地被覆分類のための豊富な詳細な空間情報を提供することができる。 大規模に詳細なカテゴリのランドカバーマッピングに高解像度画像を適用した研究はほとんどない。 本稿では,50億画素以上の高解像度Gaofen-2(4m)衛星画像を含む大規模ランドカバー・データセットであるFive-Billion-Pixelsを提案する。
  論文  参考訳（メタデータ） (2022-09-01T21:00:23Z)
• 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)
• Unlocking large-scale crop field delineation in smallholder farming systems with transfer learning and weak supervision [14.98900824231117]
  作物畑の境界は、作物の種類をマッピングし、収穫量を予測し、農家に大規模分析を提供する。 近年、産業用農業システムにおける分野境界の定式化にディープラーニングの応用が成功している。 インドでは1万のフィールドラベルを効率よく生成する手法が成功している。
  論文  参考訳（メタデータ） (2022-01-13T03:01:06Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。