論文の概要: Is sub-metre resolution necessary for cocoa mapping? A landscape-stratified evaluation of very high resolution imagery, decametric Earth Observation inputs, and operational products in Cote d'Ivoire

• arxiv url: http://arxiv.org/abs/2607.08945v1
• Date: Thu, 09 Jul 2026 21:15:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.73958
• Title: Is sub-metre resolution necessary for cocoa mapping? A landscape-stratified evaluation of very high resolution imagery, decametric Earth Observation inputs, and operational products in Cote d'Ivoire
• Title（参考訳）: ココアマッピングにはサブメートル解像度が必要か?Cote d'Ivoireにおける超高解像度画像、デカメトリック地球観測入力、および運用製品のランドスケープ・ストラテライズド評価
• Authors: Kasimir Orlowski, Filip Sabo, Michele Meroni, Astrid Verhegghen, Mariana Belgiu, Felix Rembold,
• Abstract要約: 超高解像度(VHR)画像は、ココアマッピングにおいて有意義な利点をもたらす。 ファンデーションモデル埋め込みは、大規模マッピングのスケーラブルな代替手段を提供する。 ターゲットとするVHRの獲得は、複雑なココアの景観において特に有益である。
• 参考スコア（独自算出の注目度）: 0.5515988776731707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cocoa mapping is increasingly important for deforestation monitoring, supply-chain transparency, and regulatory applications. Spatial aggregation in conventional medium-resolution Earth observation (EO) imagery may limit cocoa detection in heterogeneous smallholder landscapes. In Cote d'Ivoire, we therefore evaluated how mapping performance varies across landscape conditions, whether very high resolution (VHR) imagery provides a meaningful advantage, and whether foundation-model embeddings improve decametric cocoa mapping. We developed models using 0.5 m Pleiades VHR imagery, a 10 m Sentinel-2 annual composite, and embeddings from TESSERA and AlphaEarth Foundations (AEF), and additionally assessed four publicly available cocoa mapping products. Performance was evaluated through a landscape-stratified accuracy assessment using 2,821 independently interpreted reference points distributed across gradients of tree cover density and landscape fragmentation. The VHR model achieved the highest performance (F1 = 0.92) and maintained F1-scores above 0.90 across all strata. Among the decametric inputs, TESSERA performed best (F1 = 0.86), followed by AEF (F1 = 0.82) and Sentinel-2 (F1 = 0.76). Of the existing cocoa products, the Kalischek product performed best (F1 = 0.83), comparable to the internally trained AEF model. Performance differences between VHR and decametric approaches increased with fragmentation and under low and high tree cover density conditions. Targeted VHR acquisition may therefore be particularly beneficial in complex cocoa landscapes, while foundation-model embeddings offer a scalable alternative for large-area mapping.
• Abstract（参考訳）: 森林破壊モニタリング、サプライチェーンの透明性、規制アプリケーションにおいて、正確なココアマッピングがますます重要になっている。 従来の中高分解能地球観測(EO)画像における空間的凝集は、異種小面積のココア検出を制限する可能性がある。 筆者らはCote d'Ivoireにおいて,高解像度(VHR)画像が有意義な利点をもたらすかどうか,基礎モデル埋め込みがデカメトリック・ココアマッピングを改善するかどうか,景観条件によってどのようにマッピング性能が変化するかを評価する。 0.5mのPleiades VHR画像,10mのSentinel-2年次合成,TESSERAおよびAlphaEarth Foundations(AEF)からの埋め込み,および4種類のココアマッピング製品の評価を行った。 樹木被覆密度と景観断片化の勾配に分布する2,821点を独立に解釈し,景観階層化精度評価により評価した。 VHRモデルは最高性能(F1 = 0.92)を達成し、全階層で0.90以上を維持した。 デカメトリック入力のうち、TESSERAは最高(F1 = 0.86)、続いてAFF(F1 = 0.82)、Sentinel-2(F1 = 0.76)が続く。 既存のココア製品の中で、カルシェク製品は内部で訓練されたAFFモデルに匹敵する(F1 = 0.83)。 VHR法とデカメトリック法の性能差は, フラグメンテーションおよび低木および高木被覆密度条件下で増大した。 したがって、ターゲットとするVHRの獲得は複雑なココアランドスケープにおいて特に有用であるが、基礎モデル埋め込みは大規模領域マッピングのスケーラブルな代替手段を提供する。

関連論文リスト

• EcoVision: AI-Powered Drone Imaging for Salt Marsh Vegetation Monitoring and Dominance Mapping [0.0]
  このフレームワークは、2つの生態学的に重要なハロ植物草(Spartina maritimaとPuccinellia maritima)を標的とした。 これらの植物を画像から識別するために,我々は,信頼性の高い種マスクを得た。 EcoVisionと名付けられたこの開発システムは、スケーラブルで高解像度の塩沼モニタリングのための実用的な基盤を確立している。
  論文  参考訳（メタデータ） (2026-07-07T10:16:31Z)
• FL-MHSM: Spatially-adaptive Fusion and Ensemble Learning for Flood-Landslide Multi-Hazard Susceptibility Mapping at Regional Scale [1.3607388598209322]
  本研究では,F-MHSM (FL-MHSM) を用いた浸水・地すべり型マルチハザード・サセプティビリティ・マッピングのためのディープラーニング (DL) ワークフローを提案する。 2段階の空間分割、確率的早期融合(EF)、木ベースの後期融合(LF)ベースライン、ソフトゲーティング・ミックス・オブ・エキスパートズ(MoE)モデルを組み合わせている。 ケララでは、EFはLFとの競争を続け、洪水リコールは0.816から0.840に改善され、ブライアスコアは0.092から0.086に低下した。 MoEは洪水感受性の最も優れた性能を提供し、AUC-ROC 0.905、リコール0.930を達成した。
  論文  参考訳（メタデータ） (2026-04-17T17:23:55Z)
• RHO: Robust Holistic OSM-Based Metric Cross-View Geo-Localization [46.34917046230067]
  Metric Cross-View Geo-Localization (MCVGL) は、地上画像と衛星画像のマッチングによって3DFカメラのポーズを推定することを目的としている。 総括的パノラマとOpenStreetMap(OSM)を用いたロバストMCVGLの研究を行った。 正確な視覚的ローカライゼーションのための2分岐ピンパンアーキテクチャを用いたRHOモデルを提案する。
  論文  参考訳（メタデータ） (2026-03-29T16:34:20Z)
• LC4-DViT: Land-cover Creation for Land-cover Classification with Deformable Vision Transformer [14.684808109822386]
  LC4-DViTは、生成データ生成と変形対応のVision Transformerを組み合わせたフレームワークである。 テキスト誘導拡散パイプラインは、GPT-4o生成シーン記述を用いて高忠実度トレーニング画像を合成する。 DViTは、DCNv4変形可能な畳み込みバックボーンとVision Transformerエンコーダを結合して、微細な幾何学とグローバルなコンテキストを共同でキャプチャする。
  論文  参考訳（メタデータ） (2025-11-27T23:56:35Z)
• Interpreting Object-level Foundation Models via Visual Precision Search [54.575247537324344]
  より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。 本研究では,DINO と Florence-2 の SOTA に対するオブジェクトレベルのタスク解釈可能性の向上を,様々な評価指標で示す。 提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
  論文  参考訳（メタデータ） (2024-11-25T08:54:54Z)
• Depth Any Canopy: Leveraging Depth Foundation Models for Canopy Height Estimation [4.69726714177332]
  世界樹高の推定は森林保全と気候変動の応用に不可欠である。 効率的な代替手段として、キャノピーの高さ推定器を訓練して、単一ビューのリモートセンシング画像を操作する方法がある。 近年の単眼深度推定基礎モデルでは,複雑なシーンにおいても強いゼロショット性能を示した。
  論文  参考訳（メタデータ） (2024-08-08T15:24:07Z)
• Very high resolution canopy height maps from RGB imagery using self-supervised vision transformer and convolutional decoder trained on Aerial Lidar [14.07306593230776]
  本稿では,複数の非国家の管轄区域で同時に作成される最初の高分解能天蓋の高さマップについて述べる。 地図は、2017年から2020年にかけて、マクサー画像に基づいて訓練された自己教師モデルから特徴を抽出することによって生成される。 また、GEDI観測に基づいて訓練された畳み込みネットワークを用いた後処理のステップも導入する。
  論文  参考訳（メタデータ） (2023-04-14T15:52:57Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)

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。