論文の概要: Deep Learning for Forest Plantation Mapping in Godavari Districts of Andhra Pradesh, India

• arxiv url: http://arxiv.org/abs/2610.22415v1
• Date: Wed, 14 Oct 2026 23:36:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.581374
• Title: Deep Learning for Forest Plantation Mapping in Godavari Districts of Andhra Pradesh, India
• Title（参考訳）: インド・アンドラプラデーシュ・ゴダヴァリ地区における森林プランテーションマッピングの深層学習
• Abstract要約: 小面積の森林プランテーションは東南アジアの農家の社会経済的健康に重要な役割を担っている。 本研究では,インド・アンヘラプラデーシュの東・西ゴダヴァリ地区の森林プランテーションを深層学習手法を用いてマッピングする問題について検討する。
• 参考スコア（独自算出の注目度）: 5.432566239051006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small-area forest plantations play a vital role in the socioeconomic well-being of farmers in Southeast Asia. Most plantations are established on former agricultural land, often on land less suitable for agriculture. Plantations that are converted from natural forest have adverse impacts on biodiversity. Mapping small-area plantations is thus important to understand the dynamics of forest cover in Southeast Asia and to study the social, economic, and ecological effects of this important land cover and land use change. While the small size of forest plantations makes it difficult to detect them using moderate resolution satellite sensors, the problem is exacerbated by the high degree of mixing between plantations, surrounding vegetation, and other land covers, which often show variegated responses in satellite signals across space and time. In this paper, we study the problem of mapping small-area forest plantations in East and West Godavari districts of Andhra Pradesh, India using deep learning methods. Remotely sensed cloud-free data from the Harmonized Landsat Sentinel-2 S10 product were classified using a pixel-level neural network and training data labeled using a field-based survey in concert with expert aerial photo interpretation. We compare the performance of deep learning methods with a baseline random forest classifier in our study region of 21543 sq. km over a period of 3 years and analyze the differences in the results across land cover classes and seasons.
• Abstract（参考訳）: 小面積の森林プランテーションは東南アジアの農家の社会経済的健康に重要な役割を担っている。 ほとんどのプランテーションはかつての農地に置かれており、しばしば農業に適さない土地に置かれている。 天然林から転換されたプランテーションは、生物多様性に悪影響を及ぼす。 そのため、東南アジアの森林被覆の動態を把握し、この重要な土地被覆と土地利用の変化の社会的、経済的、生態学的影響を研究するためには、小面積プランテーションのマッピングが重要である。 森林プランテーションの小型化は、適度な解像度の衛星センサーによる検出を困難にするが、この問題は、プランテーション、周囲の植生、および他の土地被覆との高度な混合によって悪化し、しばしば空間と時間にわたって衛星信号の可変応答を示す。 本研究では,インド・アンヘラプラデーシュの東・西ゴダヴァリ地区の森林プランテーションを深層学習手法を用いてマッピングする問題について検討する。 Harmonized Landsat Sentinel-2 S10のリモートセンシングされたクラウドフリーデータは、ピクセルレベルのニューラルネットワークとフィールドベースのサーベイでラベル付けされたトレーニングデータを用いて、専門家の航空写真解釈と協調して分類された。 本研究領域の21543 sqにおいて,ディープラーニング手法とベースラインランダム森林分類器の性能を比較した。 3年間に1kmの期間を過ごし, 土地被覆層と季節にまたがる結果の差異を分析した。

関連論文リスト

• Tree crop mapping of South America reveals links to deforestation and conservation [22.896300183639156]
  我々は,Sentinel-1およびSentinel-2衛星画像に基づいて学習した多時間深度学習モデルを用いて,南アメリカにおける最初の10m分解能木作図を提示する。 この地図は、約1100万ヘクタールの樹木を識別しており、その23%は2000-2020年の森林被覆損失と関連している。
  論文  参考訳（メタデータ） (2026-02-19T13:54:35Z)
• TerraTrace: Temporal Signature Land Use Mapping System [2.963329014505718]
  植物光合成に基づく標準分化植生指数(NDVI)のような指標は,農業慣行や季節周期を反映した独自の時間的シグネチャを持つ。 我々は,2020年から2023年にかけて,5億の解像度と7000万以上のポイントを持つカリフォルニア州のための新しい縦方向NDVIデータセットを開発した。 これは,NDVIシグネチャを用いた土地利用を分類するエンドツーエンド解析ツールであるTerraTraceプラットフォームの開発に使用される。
  論文  参考訳（メタデータ） (2025-02-25T23:54:45Z)
• Detection and Geographic Localization of Natural Objects in the Wild: A Case Study on Palms [10.342516627774438]
  PRISM (Processing, Inference, and Mapping) は高密度熱帯林におけるヤシの検出と位置決定のための柔軟なパイプラインである。 まず,8,830個の箱と5,026個のヤシ中心点をアノテートした,エクアドル西部の21の生態学的に多様な場所に,UAV由来の大規模なオルソモザイクデータセットを構築した。 第2に、ゼロショットSAM2をセグメンテーションバックボーンとして統合し、効率と性能に基づいて複数の最先端物体検出器を評価し、第3に、信頼性スコアをIoUと整合させ、sを探索するキャリブレーション手法を適用した。
  論文  参考訳（メタデータ） (2025-02-18T16:43:11Z)
• Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery [0.0]
  衛星は森林の消失を認識し、関心領域の拡大を防ぐために使用できる。 フォレスト・ノン・フォレスト・マップ (FNF) はセンチネル画像入力モデルの基礎的真理として用いられている。 森林と非森林を分類するモデルは、森林破壊の起こりうる場所を予測するためにオープンデータセットを使用して、この地域の森林と非森林のピクセルを分類する。
  論文  参考訳（メタデータ） (2024-09-16T14:26:41Z)
• 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)
• 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)
• 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)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。