文献

J-GLOBAL ID：202102246666581888   整理番号：21A2453195

スマートフォンクラウドソーシングと深層学習によるインド南東部における作物タイプのマッピング【JST・京大機械翻訳】

Mapping Crop Types in Southeast India with Smartphone Crowdsourcing and Deep Learning

著者 (8件)： Wang Sherrie (Institute for Computational and Mathematical Engineering, Stanford University, Stanford, CA 94305, USA) ,  Wang Sherrie (Department of Earth System Science and Center on Food Security and the Environment, Stanford University, Stanford, CA 94305, USA) ,  Tommaso Stefania Di (Department of Earth System Science and Center on Food Security and the Environment, Stanford University, Stanford, CA 94305, USA) ,  Faulkner Joey (Progressive Environmental & Agricultural Technologies, 10435 Berlin, Germany) ,  Friedel Thomas (Progressive Environmental & Agricultural Technologies, 10435 Berlin, Germany) ,  Kennepohl Alexander (Progressive Environmental & Agricultural Technologies, 10435 Berlin, Germany) ,  Strey Rob (Progressive Environmental & Agricultural Technologies, 10435 Berlin, Germany) ,  Lobell David B. (Department of Earth System Science and Center on Food Security and the Environment, Stanford University, Stanford, CA 94305, USA)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 18  ページ： 2957  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 高分解能衛星画像と現代の機械学習法は,作物がサブフィールドレベルで世界中で成長している既存のデータギャップを埋める可能性を有する。しかし,高解像度作物型地図は,モデル開発のための地上真実ラベルの欠如のため,開発途上地域で創造するのが課題となっている。本研究では,インドにおける作物型マッピングのためのクラウドソースデータ,Sentinel-2およびDigitalGlobal画像,および畳み込みニューラルネットワーク(CNNs)の使用を調査した。農民が作物病害を診断するのを助けるための画像認識を使用するフリーなアプリである植物ixは,インドの20172019年からの9百万のジオロケーション写真を,インドのAndra PradeshとTelangana州にある。地域専門家と深いCNNsによって,農民のサブミッション画像に基づく作物型ラベルを追加した。座標での作物タイプの得られたデータセットは,体積が高いが,場所の不正確さ,屋外からの提出,およびラベリング誤差のため,騒音も高い。データセットを洗浄するために多くのステップを採用し,それは,作物畑内にあるポイントをフィルタリングするために,非常に高解像度のデジタルローブ画像にCNNを訓練した。この洗浄データセットを用いて,各ポイントでSentinl時系列を抽出し,各ピクセルで作物タイプを予測するために別のCNNを訓練した。クラウドソースデータの最高品質サブセットに関して評価したとき,CNNは,イネ,ワタ,および他の作物を3方向分類で74%の精度で区別し,調和回帰特徴で訓練されたランダム森林より優れている。さらに,低品質点が訓練セットに導入されるとき,モデル性能は安定している。著者らの結果は,作物型マッピングのための非伝統的,高容量/高ノイズデータセットの可能性,ニューラルネットワークがランダムフォレスト上で達成できるいくつかの改良,および訓練セットノイズの中程度のレベルに対するそのような方法のロバスト性を例証した。最後に,良好なSentinel-2クラウドマスクの欠如,不完全なモバイルデバイス位置精度,およびプライバシーの保存のような障害物が,クラウドソーシングが,小規模農家システムにおける作物の地図作成に,広く,そして,確実に使用される前に,対処する必要があることを注意する。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 騒音 ,  農民 ,  *農作物 ,  ニューラルネットワーク ,  フィルタリング ,  画素 ,  応用プログラム ,  地図作成 ,  高分解能 ,  機械学習 ,  画像認識 ,  *スマートフォン
準シソーラス用語： ランダムフォレスト ,  *クラウドソーシング ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (11件)： 作物型マッピング ,  深層学習 ,  Sentinel-2 ,  センチネルリンパ節 ,  クラウドソーシング ,  弱監視 ,  分類 ,  農業 ,  食品の安全性 ,  土地被覆分類 ,  インド

分類 (2件)： 作物栽培一般  (FC03010R) ,  リモートセンシング一般  (AD04000L)

引用文献 (80件)：

• Khalil, C.A.; Conforti, P.; Ergin, I.; Gennari, P. Defining Small Scale Food Producers to Monitor Target 2.3. of the 2030 Agenda for Sustainable Development; Technical Report; Food and Agriculture Organization of the United Nations: Rome, Italy, 2017.
• Lowder, S.K.; Skoet, J.; Raney, T. The Number, Size, and Distribution of Farms, Smallholder Farms, and Family Farms Worldwide. World Dev. 2016, 87, 16-29.
• Rapsomanikis, G. The Economic Lives of Smallholder Farmers; Technical Report; Food and Agriculture Organization of the United Nations: Rome, Italy, 2015.
• Ricciardi, V.; Ramankutty, N.; Mehrabi, Z.; Jarvis, L.; Chookolingo, B. How much of the world’s food do smallholders produce? Glob. Food Secur. 2018, 17, 64-72.
• Samberg, L.H.; Gerber, J.S.; Ramankutty, N.; Herrero, M.; West, P.C. Subnational distribution of average farm size and smallholder contributions to global food production. Environ. Res. Lett. 2016, 11, 124010.

タイトルに関連する用語 (5件)： 深層学習 ,  インド ,  作物 ,  タイプ ,  マッピング