論文の概要: SwissCrop25: A National Multi-Year Benchmark for Operational Crop Mapping
- arxiv url: http://arxiv.org/abs/2608.09497v1
- Date: Mon, 10 Aug 2026 12:03:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.249953
- Title: SwissCrop25: A National Multi-Year Benchmark for Operational Crop Mapping
- Title（参考訳）: SwissCrop25: オペレーショナルクロップマッピングのための全国多年ベンチマーク
- Abstract要約: SwissCrop25は7つの成長期(2019年-2025年)にまたがる全国規模の作物マッピングのベンチマークデータセット
SwissCrop25は、センチネル2の時系列、毎日の温度観測、草地管理タイプを含む細粒度の73の作物分類、5つの明示的な非頭皮の土地被覆クラスを組み合わせている。
- 参考スコア（独自算出の注目度）: 0.7349727826230863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Operational crop mapping requires models that generalise across years, resolve fine-grained crop taxonomies, and distinguish cropland from surrounding landscapes. However, existing crop mapping datasets enable evaluation of these requirements only in isolation. We therefore introduce SwissCrop25, a national-scale crop mapping benchmark dataset spanning seven growing seasons (2019-2025). SwissCrop25 combines Sentinel-2 time series, daily temperature observations, a fine-grained 73 crop taxonomy including grassland management types, and 5 explicit non-crop land cover classes. To evaluate realistic deployment conditions, we define a leave-one-year-out protocol with joint cropland delineation and crop classification for benchmarking representative crop mapping architectures. Evaluating U-TAE (convolutional temporal-attention model), TSViT (transformer-based spatio-temporal model), and Galileo (EO foundation model) reveals differences between architectures hidden by conventional benchmarks. In this setting, domain-specific models outperform Galileo, with TSViT achieving the best overall performance and a 12 pp macro-mIoU advantage over U-TAE. SwissCrop25 also exposes substantial interannual distribution shifts and shows that incorporating temperature-derived phenological information improves robustness. Finally, in-season evaluation reveals a trade-off between models, with U-TAE performing better early in the season and TSViT gaining an advantage later through improved rare-class discrimination. SwissCrop25 provides a challenging testbed for evaluating crop mapping systems under realistic operational conditions and is publicly released at https://huggingface.co/datasets/EOA-team/SwissCrop25 .
- Abstract（参考訳）: 運用的な作物マッピングには、数年にわたって一般化し、細粒度の細かい作物分類を解決し、周囲の景観と作物を区別するモデルが必要である。
しかし、既存の作物マッピングデータセットは、これらの要求を独立して評価することができる。
そこでSwissCrop25を紹介した。SwissCrop25は7つの成長期(2019-2025)にまたがる全国規模の作物マッピングベンチマークである。
SwissCrop25は、センチネル2の時系列、毎日の温度観測、草地管理タイプを含む細粒度の73の作物分類、5つの明示的な非頭皮の土地被覆クラスを組み合わせている。
現実的な展開条件を評価するため,代表的な作物マッピングアーキテクチャをベンチマークする上で,共同作物分類と作物分類を併用した1年間の休業プロトコルを定義した。
U-TAE (convolutional temporal-attention model)、TSViT (transformer-based spatio-temporal model)、Galileo (EO foundation model)は、従来のベンチマークで隠されたアーキテクチャの違いを明らかにする。
この設定では、ドメイン固有のモデルはガリレオより優れ、TSViTはU-TAEよりも12ppのマクロmIoUで最高のパフォーマンスを実現している。
さらに、SwissCrop25は経年的な分布シフトを生じさせ、温度由来の現象情報を組み込むことで堅牢性が向上することを示した。
最後に、シーズン内評価はモデル間のトレードオフを明らかにし、U-TAEはシーズン早期に向上し、TSViTは後にレアクラスの差別を改善して優位に立つ。
SwissCrop25は、現実的な運用条件下での作物マッピングシステム評価に困難なテストベッドを提供し、https://huggingface.co/datasets/EOA-team/SwissCrop25で公開されている。
関連論文リスト
- A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - ReLeaf: Benchmarking Leaf Segmentation across Domains and Species [2.446672595462589]
葉レベルセグメンテーションは、作物の健康、成長動態、収量電位、局所的なストレス症状を評価するために用いられる。
進歩は、特に種の範囲に関して、専用のデータセットの欠如によって制限されている。
そこで我々は,植物23種を対象に,選択したCropAndWeed画像の半自動アノテーションを用いて,葉面マスクを用いた新しいベンチマークデータセットを提案する。
既存の4つのデータセットでトレーニングされたモデルでは、対応するテストセット間で平均mAP50-95が83.9%、新しいベンチマークでは40.2%となる。
論文 参考訳（メタデータ） (2026-05-05T14:11:52Z) - CropVLM: A Domain-Adapted Vision-Language Model for Open-Set Crop Analysis [0.0]
農業領域に適応した視覚言語モデルであるCropVLMについて,ドメイン特化セマンティックアライメント(DSSA)を用いて紹介する。
CropVLMは、自然条件下で37種をカバーする52,987個の手動で選択された画像キャプチャーペアで訓練されている。
CropVLMは、総合評価において、72.51%のゼロショット分類精度を達成し、7つのCLIPスタイルのベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-05T01:17:27Z) - 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) - Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。
GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
論文 参考訳（メタデータ） (2025-10-08T03:27:12Z) - Model-Agnostic, Temperature-Informed Sampling Enhances Cross-Year Crop Mapping with Deep Learning [1.837552179215311]
そこで本研究では,日時を熱時間に置き換えるモデル非依存の熱時間に基づくテンポラルサンプリング(T3S)手法を提案する。
この生物学的に意味のある方法で時系列をサブサンプリングすることで、成長期における重要な期間を明らかにすることができる。
スイス全土をカバーするSentinel-2データセットを用いて,T3Sの評価を行った。
論文 参考訳（メタデータ） (2025-06-15T15:30:08Z) - CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。
CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。
UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
論文 参考訳（メタデータ） (2024-11-25T23:34:53Z) - Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2024-01-29T04:15:22Z) - Concept Drift and Long-Tailed Distribution in Fine-Grained Visual Categorization: Benchmark and Method [84.68818879525568]
コンセプションドリフトとLong-Tailed Distributionデータセットを提案する。
インスタンスの特徴は時間によって異なり、長い尾の分布を示す傾向がある。
本稿ではCDLTに関連する学習課題に対処する機能組換えフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-04T12:42:45Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Improving Visual Grounding by Encouraging Consistent Gradient-based
Explanations [58.442103936918805]
注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。
AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
論文 参考訳（メタデータ） (2022-06-30T17:55:12Z) - 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)
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。