論文の概要: Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping

• arxiv url: http://arxiv.org/abs/2606.05731v1
• Date: Thu, 04 Jun 2026 05:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.580122
• Title: Intercomparison of Machine Learning Algorithms for Remote Sensing-based In-season Crop Mapping
• Title（参考訳）: リモートセンシングに基づくインシーズンクロップマッピングのための機械学習アルゴリズムの相互比較
• Authors: August Posch, Jitendra Kumar, Forrest M. Hoffman, Auroop R. Ganguly,
• Abstract要約: USDA Cropland Data Layerは30m解像度で作物タイプのラベルを提供する。 収穫前に作物の種類を満足のいく精度でマッピングする製品は存在しない。 インシーズンの作物型マッピングは、作物に対する気候関連の脅威がますます激化する中で、食品の安全のために重要である。
• 参考スコア（独自算出の注目度）: 2.890903045620196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-season crop type mapping is critical for food security in the face of increasingly extreme climate-related threats to crops. Currently, the USDA Cropland Data Layer provides crop type labels at 30m resolution and is available the February after harvest, but no product exists that maps crop types before harvest with satisfactory accuracy that would allow emergency managers to respond to crop threats in near real time. Furthermore, the relative advantages of a wide range of algorithms have not been evaluated in a way that accounts for interannual variability, until this study. Here, Harmonized Landsat-Sentinel surface reflectance imagery time series and crop rotation history information are combined to map corn in Iowa and almonds in California at 30m resolution accurately by early June in unseen years, with robust quantification of uncertainty due to phenology and crop distribution. Thousands of model configurations across ten machine learning algorithms were compared using a year-wise cross-validation and a suite of metrics. Hyperparameter search revealed Support Vector Machines to be the most successful algorithm overall, with a mean F1 score of 0.74 (0.59) across five unseen validation years for almonds by early June in California (corn by early June in Iowa). Interannual variation was a large source of uncertainty, but patterns showed the potential to further improve performance with ensemble approaches or ancillary data. Future work may extend these methods to include multiclass maps of all crop types, CONUS-wide maps, and in-season crop yield forecasting.
• Abstract（参考訳）: インシーズンの作物型マッピングは、作物に対する気候関連の脅威がますます激化する中で、食品の安全のために重要である。 現在、USDA Cropland Data Layerは30mの解像度で作物のタイプラベルを提供しており、収穫後の2月に入手できるが、収穫前の作物のタイプを十分な精度でマッピングすることで、緊急管理者がほぼリアルタイムで作物の脅威に対応することができる製品は存在しない。 さらに、この研究まで、多種多様なアルゴリズムの相対的優位性は、年次変動を考慮した評価は行われていない。 ここでは,ハロゲン化ランドサット-センチネル表面反射率画像シリーズと作物の回転履歴情報を組み合わせて6月上旬までに,アイオワ州のトウモロコシとカリフォルニア州のアーモンドを30mの精度で地図化し,表現学や作物分布による不確実性の堅牢な定量化を行った。 10の機械学習アルゴリズムにまたがる数千のモデル構成を、年単位のクロスバリデーションと一連のメトリクスを使用して比較した。 ハイパーパラメーター検索により、サポートベクターマシンが全体として最も成功したアルゴリズムであることが判明し、カリフォルニアでは6月上旬(アイオワ州では6月上旬)にアーモンドの5年間の検証期間で平均F1スコアが0.74(0.59)に達した。 年次変動は大きな不確実性の源であったが、パターンはアンサンブルアプローチやアシラリーデータによってさらなるパフォーマンス向上の可能性を示した。 今後の研究は、これらの手法を拡張して、すべての作物のマルチクラスマップ、CONUS全体マップ、および季節内収穫予測を含むかもしれない。

関連論文リスト

• A novel fusion of Sentinel-1 and Sentinel-2 with climate data for crop phenology estimation using Machine Learning [0.0]
  機械学習(ML) LightGBMモデルをトレーニングし、ドイツ全土の8大作物について、20mスケールで13の表現学的段階を予測する。 全国規模では、予測表現学はR2 > 0.43の妥当な精度と平均絶対誤差を6日間に抑えた。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Towards Global Crop Maps with Transfer Learning [0.0]
  ディープラーニングモデルは、大量の注釈付きデータを必要とします。 本研究では,大韓民国における水稲検出のための深層学習モデルをSentinel-1 VH-1時系列を用いて開発・訓練した。 本手法は,同じ作物の異なる地域での移動において優れた性能を示し,異なる地域での移動において,より有望な結果を示す。
  論文  参考訳（メタデータ） (2022-11-09T09:17:42Z)
• Multimodal Crop Type Classification Fusing Multi-Spectral Satellite Time Series with Farmers Crop Rotations and Local Crop Distribution [0.0]
  本稿では,3つのデータ型を用いた土地利用と作物型分類課題に取り組むことを提案する。 28級(.948)の5.1ポイント、9.6ポイントのマイクロF1の10級(.887)の精度。
  論文  参考訳（メタデータ） (2022-08-23T09:41:09Z)
• 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)
• Early- and in-season crop type mapping without current-year ground truth: generating labels from historical information via a topology-based approach [6.8222552619003505]
  本稿では,異なる作物のトポロジに関する知識を効果的に伝達し,ラベルを生成する手法を提案する。 本研究では,米国中西部のトウモロコシ・ソイビーンと中国北東部の水稲・トウモロコシ・ソイビーンをランドサット8とセンチネル2のデータを用いてマッピングする方法を検討した。
  論文  参考訳（メタデータ） (2021-10-19T21:44:02Z)

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。