論文の概要: The role of spatial context and multitask learning in the detection of organic and conventional farming systems based on Sentinel-2 time series

• arxiv url: http://arxiv.org/abs/2603.24552v1
• Date: Wed, 25 Mar 2026 17:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.409865
• Title: The role of spatial context and multitask learning in the detection of organic and conventional farming systems based on Sentinel-2 time series
• Title（参考訳）: Sentinel-2 時系列に基づく有機・伝統的農業システムの検出における空間文脈とマルチタスク学習の役割
• Authors: Jan Hemmerling, Marcel Schwieder, Philippe Rufin, Leon-Friedrich Thomas, Mirela Tulbure, Patrick Hostert, Stefan Erasmi,
• Abstract要約: 本研究では,有機農業と従来の農業を区別するアプローチを提案する。 本研究は,コンカレントタスクにおける作物型情報の共同学習と空間文脈の役割の2つの要因について検討した。 マルチスペクトルリモートセンシングデータを用いた有機農業と従来の農業の区別が可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.4612510172250684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Organic farming is a key element in achieving more sustainable agriculture. For a better understanding of the development and impact of organic farming, comprehensive, spatially explicit information is needed. This study presents an approach for the discrimination of organic and conventional farming systems using intra-annual Sentinel-2 time series. In addition, it examines two factors influencing this discrimination: the joint learning of crop type information in a concurrent task and the role of spatial context. A Vision Transformer model based on the Temporo-Spatial Vision Transformer (TSViT) architecture was used to construct a classification model for the two farming systems. The model was extended for simultaneous learning of the crop type, creating a multitask learning setting. By varying the patch size presented to the model, we tested the influence of spatial context on the classification accuracy of both tasks. We show that discrimination between organic and conventional farming systems using multispectral remote sensing data is feasible. However, classification performance varies substantially across crop types. For several crops, such as winter rye, winter wheat, and winter oat, F1 scores of 0.8 or higher can be achieved. In contrast, other agricultural land use classes, such as permanent grassland, orchards, grapevines, and hops, cannot be reliably distinguished, with F1 scores for the organic management class of 0.4 or lower. Joint learning of farming system and crop type provides only limited additional benefits over single-task learning. In contrast, incorporating wider spatial context improves the performance of both farming system and crop type classification. Overall, we demonstrate that a classification of agricultural farming systems is possible in a diverse agricultural region using multispectral remote sensing data.
• Abstract（参考訳）: 有機農業は、より持続可能な農業を実現するための重要な要素である。 有機農業の発展と影響をより深く理解するには、包括的で空間的に明確な情報が必要である。 本研究は, 年次センチネル2時系列を用いた有機農業・伝統的な農業システムの識別手法を提案する。 さらに,コンカレントタスクにおける作物型情報の共同学習と空間文脈の役割の2つの要因について検討した。 テンポロ・空間視覚変換器(TSViT)アーキテクチャに基づく視覚変換器モデルを用いて,2つの農業システムの分類モデルを構築した。 モデルは、作物の種類を同時に学習するために拡張され、マルチタスク学習環境を作り出した。 モデルに提示されるパッチサイズを変化させることで,両タスクの分類精度に空間的文脈が与える影響を検証した。 マルチスペクトルリモートセンシングデータを用いた有機農業と従来の農業の区別が可能であることを示す。 しかし、分類性能は作物の種類によって大きく異なる。 冬のライ麦、冬の小麦、冬の麦などいくつかの作物では、F1スコアが0.8以上となる。 対照的に、恒久的な草地、果樹園、ブドウ畑、ホップなどの他の農地利用クラスは、有機管理クラスのF1スコアが0.4以下であるため、確実に区別できない。 農業システムと作物タイプの共同学習は、単一タスク学習に比較して、限られたメリットしか得られない。 対照的に、より広い空間的文脈を取り入れることで、農業システムと作物型分類の両方のパフォーマンスが向上する。 総じて、多スペクトルリモートセンシングデータを用いて、多様な農業地域で農業農業システムの分類が可能であることを実証した。

関連論文リスト

• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis [0.0]
  収穫パターンの生成に時系列リモートセンシングデータを用いた。 分類アルゴリズムは、作物のパターンと地図化された農地の分類に使用される。 本稿では,Deep Neural Network(DNN)に基づく分類を提案し,作物パターン認識の性能向上を図る。
  論文  参考訳（メタデータ） (2024-11-19T17:19:20Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
  本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。 UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。 異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2023-06-07T16:04:08Z)
• 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)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• High-Throughput Image-Based Plant Stand Count Estimation Using Convolutional Neural Networks [23.67862313758282]
  早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。 提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
  論文  参考訳（メタデータ） (2020-10-23T17:28:29Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。