論文の概要: A Remote Approach to Cashew Orchard Detection: Leveraging Active Learning with Satellite Imagery in Guinea-Bissau
- arxiv url: http://arxiv.org/abs/2608.11996v2
- Date: Tue, 18 Aug 2026 21:26:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 15:48:19.518479
- Title: A Remote Approach to Cashew Orchard Detection: Leveraging Active Learning with Satellite Imagery in Guinea-Bissau
- Title（参考訳）: カシューオーチャード検出へのリモートアプローチ:ギニアビサウにおける衛星画像を用いたアクティブラーニングの活用
- Abstract要約: カシュー生産はギニアビサウや西アフリカの他の国々で広く経済活動を行っている。
カシュー果樹園の一覧やジオレファレンスのための全国データベースは存在しないので、遠隔地を地図化する必要があることは明らかである。
この研究は、機械学習技術を用いて、Sentinel-2衛星画像に基づくスケーラブルで費用対効果の高いリモートアプローチを開発し、自動的にカシュー果樹園を検出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cashew production is a widespread economic activity in Guinea-Bissau, as well as other countries in West Africa. However, unregulated cashew production can be directly associated with increasing regionwide deforestation rates, biodiversity losses, and a fragile economic structure. There is no nationwide database for listing or georeferencing cashew orchards, so there is a clear need to remotely map their locations. In recent years, multiple methods for detecting orchards have been developed, though they have only been applied on a regional level. This work expands regional analyses to a nationwide scale. It develops a scalable and cost-effective remote approach, based on Sentinel-2 satellite imagery, using Machine Learning techniques to detect cashew orchards automatically. Margin-based Active Learning techniques were employed to develop an optimal training set in terms of the number of points and their informativeness, leading to a cashew map with 94.0% balanced accuracy obtained entirely off-site. We created two datasets and a 2021 cashew map with 10m spatial resolution that are openly accessible through GitHub. The results demonstrate the possibility of a broader cashew orchard mapping, creating a new stepping stone for this environmental application.
- Abstract（参考訳）: カシュー生産はギニアビサウや西アフリカの他の国々で広く経済活動を行っている。
しかし、規制されていないカシュー生産は、地域全体の森林伐採率の増加、生物多様性の喪失、脆弱な経済構造と直接関連付けられる。
カシュー果樹園の一覧やジオレファレンスのための全国データベースは存在しないので、遠隔地を地図化する必要があることは明らかである。
近年では地域レベルでのみ適用されているが,複数の果樹園検出方法が開発されている。
この研究は地域分析を全国規模に拡大する。
Sentinel-2衛星画像に基づくスケーラブルで費用対効果の高いリモートアプローチを開発し、機械学習技術を用いてカシュー果樹園を自動的に検出する。
マージンをベースとしたアクティブラーニング技術は、ポイントの数と情報量の観点から最適なトレーニングセットを開発するために用いられ、94.0%のバランスの取れた精度のカシューマップが完全にオフサイトで得られた。
私たちは2つのデータセットと10mの空間解像度を持つ2021のカシューマップを作成しました。
以上の結果から,より広いカシュー果樹園マッピングの可能性が示され,この環境応用のための新たなステップストーンが生み出された。
関連論文リスト
- CGMap: A Geospatially Aware Deep Learning Framework for Crop Gap Mapping Using UAV [4.008926457997624]
インドでは、作物の発芽は主に視覚検査と手動計数によって監視されている。
本稿では,物体検出法とドローン画像を用いた深層学習に基づくパイプラインで,現場でのサトウキビ発芽の正確な数を評価する。
論文 参考訳（メタデータ） (2026-07-21T07:01:01Z) - 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) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - Deep Learning for Reference-Free Geolocation for Poplar Trees [0.17999333451993943]
ジオロケーションは、その遺伝的な構成に基づいて、与えられたサンプルの原産地を特定することに関係している。
本稿では,米国エネルギー省が高速回転型バイオ燃料作物として同定したPopulus trichocarpa(Poplar)のゲノム位置について検討する。
我々のモデルであるMashNetは、ランダムにサンプリングされた不整合配列断片からポプラ木の緯度と経度を予測する。
論文 参考訳（メタデータ） (2023-01-31T03:37:47Z) - Mapping smallholder cashew plantations to inform sustainable tree crop
expansion in Benin [4.008214303620168]
カシューは世界中で40カ国以上で300万人以上の小規模所有者によって栽培されている。
ベニンには20万人近い小規模株主のカシュー栽培者がおり、同国の輸出収入の15%を貢献している。
2.4mのプラネット・ベースマップと0.5mの空中画像を利用して、ベニンで初めてカシューの全国地図を作成しました。
論文 参考訳（メタデータ） (2023-01-01T07:18:47Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Using Machine Learning to generate an open-access cropland map from
satellite images time series in the Indian Himalayan Region [0.28675177318965034]
我々は,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。
ヒマハル・プラデーシュの3つの地区で14,600 km2の農地マップを作成し、既存の公共地図の解像度と品質を改善した。
論文 参考訳（メタデータ） (2022-03-28T12:08:06Z) - LDC-Net: A Unified Framework for Localization, Detection and Counting in
Dense Crowds [103.8635206945196]
視覚的群集分析の急速な発展は、単に密度マップを要約するのではなく、位置決めや検出によって人を数える傾向を示している。
群集の局所化と検出に関する最近の研究には,1) 群集を扱えない典型的な検出法と,大規模に変化する群集を扱えないこと,2) 密度マップ法は,特に高密度群集や大規模群集において,位置とボックスの予測における性能不足に悩まされていること,の2つの制限がある。
論文 参考訳（メタデータ） (2021-10-10T07:55:44Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。
無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。
セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z)
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。