文献

J-GLOBAL ID：202102211869501581   整理番号：21A0670481

マルチソース衛星画像シリーズと深層学習を用いた作物収量推定【JST・京大機械翻訳】

Crop Yield Estimation Using Multi-Source Satellite Image Series and Deep Learning

著者 (6件)： Ghazaryan Gohar (Remote Sensing Research Group (RSRG), University of Bonn,Bonn,Germany,53115) ,  Skakun Sergii (University of Maryland,Department of Geographical Sciences,College Park,MD,USA,20742) ,  Konig Simon (Remote Sensing Research Group (RSRG), University of Bonn,Bonn,Germany,53115) ,  Rezaei Ehsan Eyshi (University of Goettingen,Department of Crop Sciences,Goettingen,Germany,37075) ,  Siebert Stefan (University of Goettingen,Department of Crop Sciences,Goettingen,Germany,37075) ,  Dubovyk Olena (Remote Sensing Research Group (RSRG), University of Bonn,Bonn,Germany,53115)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 5163-5166  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 農業生産と早期収量予測のタイムリーモニタリングは食品安全保障にとって必須である。作物成長条件と収量は気候変動に関連し,極端な事象の影響を受ける。リモートセンシング時系列を用いて作物成長および農業生産の変動性を調べた。しかし,異なるデータセットが異なる時空間特性を持っているので,リモートセンシングデータと方法の選択はまだ問題である。著者らの主要な目標は,郡と圃場規模でのU.S.における収量推定のための異なるアルゴリズムといくつかのリモートセンシング時系列データセットを試験することであった。郡レベル分析のために,MODISベースの表面反射率,地表面温度,および蒸発散時系列を入力データセットとして用いた。NASAの調和Landsat Sentinel-2(HLS)製品を用いて,フィールドレベル解析を行った。この目的のために,3D畳み込みニューラルネットワーク(CNN)とCNN,続いて長短期メモリ(LSTM)を用いた。郡レベル分析では,CNN-LSTMモデルは,トウモロコシで10.3%,ダイズで9.6%の平均百分率誤差で,最も高い精度を示した。このモデルは2012年のロバスト結果を示し,干ばつ年と考えられる。フィールドレベル解析の場合,すべてのモデルは,中期成長季節からのデータを用いた場合,0.8を超えるR2で正確な結果を達成した。結果は,異なる管理スケールでの収量推定のための衛星データの使用の可能性を強調する。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  *農作物 ,  蒸発散 ,  ダイズ ,  干ばつ ,  気候変動 ,  リモートセンシング ,  *衛星利用画像 ,  三次元 ,  *作物収量 ,  ロバスト性
準シソーラス用語： 時系列データ ,  MODIS ,  リモートセンシングデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： マルチ ,  ソース ,  衛星画像 ,  深層学習 ,  作物収量 ,  推定