論文の概要: Predicting Viticulture Potential through an Ensemble of U-Net and a Geospatial Foundation Model

• arxiv url: http://arxiv.org/abs/2607.08449v1
• Date: Thu, 09 Jul 2026 13:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.545705
• Title: Predicting Viticulture Potential through an Ensemble of U-Net and a Geospatial Foundation Model
• Title（参考訳）: U-Netと地理空間基盤モデルによるブドウ栽培の可能性予測
• Authors: Jorge Ignacio Perez, Hwaai Kang Kee, Lucas Rassbach,
• Abstract要約: ImageCLEF AI4Agri 2026:Subtask 1は、南フランスのブドウ栽培の可能性の予測に関係している。 DS@GT ARCのSubtask 1への提出では、U-NetとGeospatial Foundation Modelのアンサンブルが導入されている。 私たちの最高のモデルは、リーダーボード上の68.32の正確さを1pm$1で達成し、7チームの中で2位になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining agricultural potential is fundamental to sustainable land management and agricultural planning. Remote sensing data is increasingly valuable as an avenue for agricultural potential due to the cost of traditional methods (surveys, in-situ measurements, soil testing, etc). ImageCLEF AI4Agri 2026: Subtask 1 is concerned with the prediction of viticulture potential in Southern France. The DS@GT ARC's submission for Subtask 1 introduces an ensemble of U-Net and a Geospatial Foundation Model (Prithvi-2.0). Our best model achieved a $\pm$1 accuracy of 68.32 on the leaderboard, ranking 2nd among 7 teams. The implementation for this work is publicly available at https://github.com/dsgt-arc/imageclef-ai4agri-2026 .
• Abstract（参考訳）: 農業の可能性を決定することは、持続可能な土地管理と農業計画に不可欠である。 リモートセンシングデータは、従来の方法(サーベイ、その場測定、土壌試験など)のコストによって、農業の可能性の道としてますます価値が増している。 ImageCLEF AI4Agri 2026:Subtask 1は、南フランスのブドウ栽培の可能性の予測に関係している。 DS@GT ARCのSubtask 1への提出では、U-NetとGeospatial Foundation Model (Prithvi-2.0)のアンサンブルが導入されている。 私たちの最高のモデルは、リーダーボードで68.32ドルの$\pm$1の精度を達成し、7チームの中で2位となった。 この作業の実装はhttps://github.com/dsgt-arc/imageclef-ai4agri-2026で公開されている。

関連論文リスト

• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• AgriPotential: A Novel Multi-Spectral and Multi-Temporal Remote Sensing Dataset for Agricultural Potentials [2.231167375820084]
  本稿では,数ヶ月にわたるSentinel-2衛星画像からなる新しいベンチマークデータセットであるAgriPotentialを紹介する。 このデータセットは、3種類の主要作物に対して、農業ポテンシャルのピクセルレベルのアノテーションを提供する。 データは南フランスの様々な地域をカバーし、豊富なスペクトル情報を提供している。
  論文  参考訳（メタデータ） (2025-06-13T12:52:46Z)
• 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)
• High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
  マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。 モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。 針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
  論文  参考訳（メタデータ） (2022-12-20T14:14:37Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• The 1st Agriculture-Vision Challenge: Methods and Results [144.57794061346974]
  第1回農業ビジョンチャレンジは、航空画像から農業パターン認識のための新しい効果的なアルゴリズムの開発を奨励することを目的としている。 約57の参加チームが、航空農業のセマンティックセグメンテーションの最先端を達成するために競っている。 本報告では,課題における注目すべき手法と成果について概説する。
  論文  参考訳（メタデータ） (2020-04-21T05:02:31Z)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)

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。