論文の概要: Mapping Tomato Cropping Systems in California Using AlphaEarth Geospatial Embeddings and Deep Learning Analysis

• arxiv url: http://arxiv.org/abs/2605.21804v1
• Date: Wed, 20 May 2026 23:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.02108
• Title: Mapping Tomato Cropping Systems in California Using AlphaEarth Geospatial Embeddings and Deep Learning Analysis
• Title（参考訳）: AlphaEarth Geospatial EmbeddingsとDeep Learning Analysisを用いたカリフォルニアのトマト栽培システムのマッピング
• Authors: Mohammadreza Narimani, Alireza Pourreza, Parastoo Farajpoor,
• Abstract要約: この研究は、Google DeepMindのAlphaEarthの地理空間埋め込みが、カリフォルニアの地図処理トマトシステムの分析可能な代替品として機能するかどうかを評価した。 このモデルは99.19%のピクセル精度、98.69%の精度、99.40%のリコール、99.04%のF1スコア、98.11%のコンバインド、99.02%のチップ精度を達成した。
• 参考スコア（独自算出の注目度）: 0.3441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Field-scale crop maps support supply-chain forecasting and policy, yet statewide crop identification still often depends on retrospective surveys or remote-sensing workflows built around hand-engineered spectral features. Those pipelines can be accurate, but they require repeated preprocessing and often lose robustness across years. This study evaluated whether Google DeepMind's AlphaEarth geospatial embeddings can serve as an analysis-ready alternative for mapping processing tomato systems in California. LandIQ 2018 crop polygons were used to assemble a balanced reference dataset of 4,742 tomato and 4,742 non-tomato fields. For each polygon, 64-band AlphaEarth embedding chips were extracted and aligned with binary masks, then divided into spatially independent training (n = 6,638), validation (n = 1,422), and test (n = 1,424) sets. A U-Net segmentation model was trained on AWS SageMaker using a composite masked binary cross-entropy and soft Dice loss. To complement hard predictions, Monte Carlo dropout was retained at inference and repeated 100 times per chip to estimate predictive mean and variance. On the independent test set, the model achieved 99.19% pixel accuracy, 98.69% precision, 99.40% recall, 99.04% F1 score, 98.11% intersection over union, and 99.02% chip accuracy. Uncertainty maps were consistently highest near field edges and low within field interiors. The results show that AlphaEarth embeddings retain crop-relevant spatial and temporal structure and can support accurate, field-scale tomato mapping without manual feature engineering.
• Abstract（参考訳）: フィールドスケールの作物地図はサプライチェーンの予測と政策をサポートしているが、州全体での作物の識別は、手作業によるスペクトルの特徴に基づいたレトロスペクティブやリモートセンシングのワークフローに依存していることが多い。 これらのパイプラインは正確だが、繰り返し前処理を必要とするため、数年にわたって堅牢性が失われることが多い。 この研究は、Google DeepMindのAlphaEarthの地理空間埋め込みが、カリフォルニアの地図処理トマトシステムの分析可能な代替品として機能するかどうかを評価した。 LandIQ 2018の作物ポリゴンは、4,742のトマトと4,742の非トマト畑のバランスの取れた基準データセットを組み立てるために使用された。 各ポリゴンに対して64バンドAlphaEarth埋め込みチップを抽出し、バイナリマスクと整列し、空間独立トレーニング(n = 6,638)、検証(n = 1,422)、テスト(n = 1,424)セットに分割した。 U-Netセグメンテーションモデルは、複合マスク付きバイナリクロスエントロピーとソフトDiceロスを使用して、AWS SageMaker上でトレーニングされた。 厳しい予測を補完するため、モンテカルロのドロップアウトは推論時に保持され、予測平均と分散を推定するために1チップにつき100回繰り返された。 独立したテストセットでは、99.19%の画素精度、98.69%の精度、99.40%のリコール、99.04%のF1スコア、98.11%の結合、99.02%のチップ精度を達成した。 不確実性マップは、フィールドの端付近で一貫して最高であり、フィールド内部では低い。 以上の結果から,AlphaEarthの埋没は作物の空間的・時間的構造を保ち,手動の特徴工学を使わずに,精密で現場規模のトマトマッピングを支援することができることがわかった。

関連論文リスト

• Inferring Height from Earth Embeddings: First insights using Google AlphaEarth [0.0]
  本研究では,地空間とマルチモーダルの特徴をテキストにエンコードすることで,深層学習(DL)回帰モデルを地域表面高マッピングに効果的に導くことができるかを検討する。 空間分解能10mのAlphaEarth Embeddingsに着目し,高画質のDSM(Digital Surface Model)を基準とした高さ推定能力の評価を行った。 両方のアーキテクチャは(どちらも$R2 = 0.97$で)強力なトレーニング性能を達成し、埋め込みが情報および復調可能な高さ関連の信号を符号化していることを確認した。
  論文  参考訳（メタデータ） (2026-02-19T10:52:50Z)
• Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
  視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。 我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
  論文  参考訳（メタデータ） (2025-10-13T01:12:21Z)
• Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping [10.807010511060042]
  TomatoMAPはSolanum lycopersicumの包括的なデータセットである。 我々のデータセットには64,464枚のRGB画像が含まれており、4つのカメラ高度角から12の異なる植物ポーズを捉えています。 我々は,3,616個の高解像度画像サブセットをピクセル単位で意味づけし,細粒度表現のためのインスタンスセグメンテーションアノテーションを提供する。
  論文  参考訳（メタデータ） (2025-07-15T12:56:13Z)
• PEnG: Pose-Enhanced Geo-Localisation [15.324623975476348]
  衛星画像の密集が重なり合うため、横方向の地理的局所化は通常粗い粒度で行われる。 都市規模のグラフ表現から最も可能性の高いエッジを予測する2段階システムであるPEnGを開発した。 次に、これらのエッジ内で相対的なポーズ推定を行い、正確な位置を決定する。
  論文  参考訳（メタデータ） (2024-11-24T07:42:50Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping [15.419052489797775]
  OpenEarthMapは、グローバルな高解像度土地被覆マッピングのためのベンチマークデータセットである。 6大陸44か国から97の地域をカバーしている5000の航空画像と衛星画像の2200万部で構成されている。
  論文  参考訳（メタデータ） (2022-10-19T17:20:16Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• 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。