論文の概要: Tree species mapping in Denmark: A comparison of spectral-temporal features with geospatial foundation model embeddings

• arxiv url: http://arxiv.org/abs/2609.03480v2
• Date: Fri, 04 Sep 2026 11:48:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 13:53:00.64981
• Title: Tree species mapping in Denmark: A comparison of spectral-temporal features with geospatial foundation model embeddings
• Title（参考訳）: デンマークにおける樹種マッピング : スペクトル時間特性と地理空間基盤モデル埋め込みの比較
• Authors: Alkiviadis Koukos, Spyros Kondylatos, Thomas Nord-Larsen, Lotte Nyborg, Christian Tøttrup, Kenneth Grogan,
• Abstract要約: 我々は,デンマーク全土の樹種を,国立森林発明計画(National Forest Inventory plots)とEOデータ(EO data)を用いてマッピングするとともに,大規模森林評価のための基盤モデルの可能性を評価した。 木種分類における2つの代替入力表現の比較を行った。 (i) 多時期のSentinel-1とSentinel-2観測から得られたスペクトル時間的特徴 (STF) と, (ii) EO FMs TESSERAとAlphaEarthによる埋め込みである。 最高性能モデルはその後、デンマークの10mの木種マップを作成するために全国規模で適用され、面積調整により全体の地図精度は79.9%である。
• 参考スコア（独自算出の注目度）: 0.2770822269241974
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We map tree species across Denmark using National Forest Inventory plots and EO data, while evaluating the potential of foundation models for large-scale forest characterization. We compare two alternative input representations for tree species classification: (i) manually engineered spectral-temporal features (STF) derived from multi-temporal Sentinel-1 and Sentinel-2 observations, and (ii) embeddings generated by the EO FMs TESSERA and AlphaEarth. Both representations are complemented with canopy height information. Random forest, XGBoost, and Multi-Layer Perceptron (MLP) classifiers are evaluated for all input representations, with separate assessments for pure and mixed forest stands. The STF-based MLP achieves the highest classification performance, yielding macro F1 scores of 0.843 and 0.653 for pure and mixed stands, respectively. The MLP trained on TESSERA embeddings delivers competitive performance for pure stands, achieving results within 1.1 percentage points of the best-performing model. TESSERA consistently outperforms STF-based models when fewer than approximately 25% of training plots are available, demonstrating a substantial advantage under limited training data. Multi-year observations systematically improve classification accuracy relative to single-year inputs, while ablation experiments reveal the complementary contributions of Sentinel-1 backscatter, spectral indices, and canopy height data. The best-performing model is subsequently applied at the national scale to generate a 10 m tree species map of Denmark. Area-adjusted validation indicates an overall map accuracy of 79.9%. The resulting map, released as an open-access product, is the first high-resolution national tree species map of Denmark and provides a valuable resource for forest monitoring, ecological research, and land management applications.
• Abstract（参考訳）: 我々は,デンマーク全土の樹種を,国立森林発明計画(National Forest Inventory plots)とEOデータ(EO data)を用いてマッピングするとともに,大規模森林評価のための基盤モデルの可能性を評価した。 木種分類における2つの代替入力表現の比較を行う。 一 マルチテンポラル・センチネル-1及びセンチネル-2による分光時間特性(STF)を手作業で設計し、 (II)EO FMs TESSERAとAlphaEarthによって生成された埋め込み。 どちらの表現も天蓋の高さの情報を補完する。 全ての入力表現に対してランダムフォレスト,XGBoost,Multi-Layer Perceptron (MLP) 分類器を評価し,純林と混合林を別々に評価した。 STF ベースの MLP は最高分類性能を達成し、純粋スタンドと混合スタンドのマクロ F1 スコアは 0.843 と 0.653 となる。 TESSERA 埋め込みで訓練された MLP は純粋なスタンドに対して競争性能を提供し、最高のパフォーマンスモデルの 1.1 ポイント以内の結果が得られる。 TESSERAは、トレーニングプロットの約25%未満が利用可能である場合、STFベースのモデルよりも一貫して優れており、限られたトレーニングデータの下では大きな優位性を示している。 複数の年次観測では、単一年次入力に対する分類精度が体系的に向上し、アブレーション実験では、Sentinel-1後方散乱、スペクトル指標、天蓋の高さデータの相補的寄与が明らかとなった。 最高性能モデルはその後、デンマークの10mの木種マップを作成するために全国規模で適用される。 地域調整による検証では、全体の地図の精度は79.9%である。 その結果得られた地図は、オープンアクセス製品としてリリースされ、デンマークで最初の高解像度の国立樹種地図であり、森林モニタリング、生態調査、土地管理のアプリケーションに貴重な資源を提供している。

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)
• Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
  分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。 我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-21T03:00:00Z)
• Forest tree species classification and entropy-derived uncertainty mapping using extreme gradient boosting and Sentinel-1/2 data [6.334209619488757]
  本研究は,スウェーデンの森林において,画素レベルの不確実性推定を伴う新しい10mの樹種マップを提示する。 木種分類は、Sentinel-1とSentinel-2の衛星データから得られた測定値と、スウェーデン国立森林調査所の観測値に基づいている。
  論文  参考訳（メタデータ） (2025-09-22T12:01:49Z)
• Deep Pre-trained Time Series Features for Tree Species Classification in the Dutch Forest Inventory [2.735732024208154]
  本研究は,オランダの樹種分類の精度を,注釈付きデータが少ないまま,体系的に改善する方法について検討した。 本研究は,オランダにおけるNFI分類における現状よりも,遠隔センシング時系列基礎モデルの微調整が優れていることを示すものである。
  論文  参考訳（メタデータ） (2025-08-26T09:06:14Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• WorldPM: Scaling Human Preference Modeling [130.23230492612214]
  我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。 多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。 1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-15T17:38:37Z)
• Mapping savannah woody vegetation at the species level with multispecral drone and hyperspectral EnMAP data [2.1306265529738653]
  本研究は南アフリカのサバンナの種レベルでの分画木質被覆(FWC)の正確なマッピングを目標としている。 乾季EnMAP画像のFWCマッピングにおいて, 4つの機械学習回帰アルゴリズムを検証した。 その結果,FWCを種レベルで正確にマッピングする手法の妥当性が示された。
  論文  参考訳（メタデータ） (2024-07-16T05:44:41Z)
• Individual mapping of large polymorphic shrubs in high mountains using satellite images and deep learning [1.6889377382676625]
  我々は、自由に利用可能な衛星画像について、個々の低木デラインの大規模なデータセットをリリースする。 我々は、すべてのジュニパーを、全生物圏保護区のツリーライン上にマッピングするために、インスタンスセグメンテーションモデルを使用します。 我々のモデルは、PIデータで87.87%、FWデータで76.86%の低木でF1スコアを達成した。
  論文  参考訳（メタデータ） (2024-01-31T16:44:20Z)
• 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)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。