論文の概要: AgroBench: A Reproducible Multimodal Benchmark for Weakly Supervised Crop Yield Learning from County Statistics and Pixel Observations

• arxiv url: http://arxiv.org/abs/2609.26809v1
• Date: Wed, 16 Sep 2026 02:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.682093
• Title: AgroBench: A Reproducible Multimodal Benchmark for Weakly Supervised Crop Yield Learning from County Statistics and Pixel Observations
• Title（参考訳）: AgroBench: 郡の統計とカメラによる作物収量学習のための再現可能なマルチモーダルベンチマーク
• Abstract要約: 現代の機械学習手法では、空間的に明示的なピクセルレベルの監視が必要であり、このミスマッチは、収量学習のための大規模ベンチマークの開発を制限している。 再現可能なベンチマークであるAgroBenchは、一般に利用可能な米国の郡レベルの収穫統計を弱監督されたピクセルレベルの収穫時系列に変換するために提示される。
• 参考スコア（独自算出の注目度）: 2.340654903789666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable agricultural yield statistics are typically reported at coarse administrative scales, whereas modern geospatial machine learning methods require spatially explicit, pixel level supervision. This mismatch has limited the development of large-scale benchmarks for crop yield learning using multimodal Earth observation data. A reproducible benchmark, AgroBench, is presented for transforming publicly available U.S. county level crop yield statistics into weakly supervised pixel-level crop time series. Each crop pixel time series is paired with a county-level yield value as a weak supervisory signal rather than a directly measured pixel-level yield label. Our geospatial data generation pipeline integrates USDA crop yield statistics with crop-specific land cover masks, Sentinel 2 multispectral imagery, Sentinel-1 synthetic aperture radar observations, climatic variables, and terrain information to produce temporally aligned multimodal sequences describing individual crop pixels throughout the growing season. The resulting benchmark contains over 13 million observations from 788,654 unique crop pixels spanning 5,107 county year combinations across eight growing seasons (2017 to 2024) for five major U.S. crops. To facilitate standardized evaluation, we establish a crop yield prediction benchmark using a Leave-One-Year-Out evaluation protocol and provide baseline results using representative machine learning models. By releasing the complete data generation pipeline, benchmark dataset, and evaluation protocol, AgroBench provides a reproducible foundation for future research in weakly supervised learning, multimodal remote sensing, spatiotemporal modeling, and geospatial foundation models for agriculture.
• Abstract（参考訳）: 信頼性の高い農業収量統計は、一般的に粗い行政規模で報告されるが、現代の地理空間機械学習手法は空間的に明確でピクセルレベルの監督を必要とする。 このミスマッチは、マルチモーダル地球観測データを用いた収量学習のための大規模ベンチマークの開発を制限している。 再現可能なベンチマークであるAgroBenchは、一般に利用可能な米国の郡レベルの収穫統計を弱監督されたピクセルレベルの収穫時系列に変換するために提示される。 各作物画素時系列は、直接測定された画素レベル収率ラベルではなく、弱い監督信号として郡レベルの収率値とペアリングされる。 我々の地理空間データ生成パイプラインは、農作物固有の土地被覆マスク、センチネル2マルチスペクトル画像、センチネル-1合成開口レーダ観測、気候変数、地形情報と農作物収量統計を統合し、成長期を通じて個々の作物の画素を時間的に整列したマルチモーダルシーケンスを生成する。 このベンチマークでは、2017年から2024年までの8つの成長期にまたがる5,107郡にまたがる788,654個のユニークな作物のピクセルから、1300万点以上の観測結果が得られた。 標準化された評価を容易にするため、Leave-One-Year-Out評価プロトコルを用いて収穫量予測ベンチマークを構築し、代表機械学習モデルを用いてベースライン結果を提供する。 完全なデータ生成パイプライン、ベンチマークデータセット、評価プロトコルをリリースすることにより、AgroBenchは、弱教師付き学習、マルチモーダルリモートセンシング、時空間モデリング、農業のための地理空間基盤モデルにおける将来の研究のための再現可能な基盤を提供する。

関連論文リスト

• Forecasting the Number of Harvest-ready Fruits of Sweet Peppers Using Multimodal Time-Series Data [22.381746023690173]
  そこで本研究では,2つの生育期に観察された691種のサツマイモのイメージ時系列データセットについて紹介する。 本稿では,DinoV3エンコーダを用いて抽出した高次元画像特徴を融合した多モード深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T09:58:03Z)
• 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)
• MT-CYP-Net: Multi-Task Network for Pixel-Level Crop Yield Prediction Under Very Few Samples [5.547023223870711]
  我々はMulti-Task Crop Yield Prediction Network (MT-CYP-Net)と呼ばれる新しい手法を提案する。 このフレームワークは、共有バックボーンネットワークから抽出された特徴を、収穫予測デコーダと作物分類デコーダの両方で同時に活用する、効果的なマルチタスク機能共有戦略を導入する。 この設計により、MT-CYP-Netは、細かな収量点ラベルと収量型ラベルで訓練できると同時に、詳細なピクセルレベルの収量マップを生成することができる。
  論文  参考訳（メタデータ） (2025-05-17T16:20:44Z)
• 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)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Boosting Crop Classification by Hierarchically Fusing Satellite, Rotational, and Contextual Data [0.0]
  本研究では,複数年にわたる精度向上とロバスト性向上のためのモデルにマルチモーダル情報を融合する新しい手法を提案する。 このアプローチを評価するため、フランスとオランダで740万の農業パーセルの注釈付きデータセットを新たにリリースしました。
  論文  参考訳（メタデータ） (2023-05-19T21:42:53Z)
• 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)
• 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)
• 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。