論文の概要: Crop Knowledge Discovery Based on Agricultural Big Data Integration
- arxiv url: http://arxiv.org/abs/2003.05043v1
- Date: Wed, 11 Mar 2020 00:13:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:51:36.654562
- Title: Crop Knowledge Discovery Based on Agricultural Big Data Integration
- Title（参考訳）: 農業ビッグデータ統合に基づく作物の知識発見
- Authors: Vuong M. Ngo and M-Tahar Kechadi
- Abstract要約: 農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。
本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
- 参考スコア（独自算出の注目度）: 2.597676155371155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, the agricultural data can be generated through various sources,
such as: Internet of Thing (IoT), sensors, satellites, weather stations,
robots, farm equipment, agricultural laboratories, farmers, government agencies
and agribusinesses. The analysis of this big data enables farmers, companies
and agronomists to extract high business and scientific knowledge, improving
their operational processes and product quality. However, before analysing this
data, different data sources need to be normalised, homogenised and integrated
into a unified data representation. In this paper, we propose an agricultural
data integration method using a constellation schema which is designed to be
flexible enough to incorporate other datasets and big data models. We also
apply some methods to extract knowledge with the view to improve crop yield;
these include finding suitable quantities of soil properties, herbicides and
insecticides for both increasing crop yield and protecting the environment.
- Abstract（参考訳）: 今日では、農業データはiot(internet of things)、センサー、衛星、気象観測所、ロボット、農業設備、農業研究所、農家、政府機関、アグリビジネスなど、さまざまなソースを通じて生成することができる。
このビッグデータの分析により、農家、企業、農学者は高いビジネスと科学の知識を抽出でき、運用プロセスや製品の品質が向上する。
しかし、このデータを解析する前には、異なるデータソースを正規化し、均質化し、統一されたデータ表現に統合する必要がある。
本稿では,他のデータセットやビッグデータモデルを組み込むのに十分な柔軟性を備えたコンステレーションスキーマを用いた農業データ統合手法を提案する。
また, 作物収量の増大と環境保護の両面から, 土壌特性, 除草剤, 殺虫剤の適切な量の発見を含む, 作物収量の向上の観点から知識を抽出する手法を適用した。
関連論文リスト
- Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Efficient Data Collection for Robotic Manipulation via Compositional Generalization [70.76782930312746]
本研究では, 環境要因をデータから構成し, 未確認の要因の組み合わせに遭遇した場合に成功できることを示す。
コンポジションを利用したドメイン内データ収集手法を提案する。
ビデオはhttp://iliad.stanford.edu/robot-data-comp/で公開しています。
論文 参考訳（メタデータ） (2024-03-08T07:15:38Z) - Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。
デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。
デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
論文 参考訳（メタデータ） (2023-12-06T11:38:26Z) - Machine Learning-based Nutrient Application's Timeline Recommendation
for Smart Agriculture: A Large-Scale Data Mining Approach [0.0]
不正確な肥料の用途の決定は、コストのかかる結果をもたらし、食糧生産を妨げ、環境に害を与える可能性がある。
そこで本研究では, 年間を通じて必要な肥料量を決定することにより, 栄養素の応用を予測する方法を提案する。
提案手法は, 費用対効果と環境に優しい農業を促進するため, 気象条件と土壌特性に基づく肥料量の調整を推奨する。
論文 参考訳（メタデータ） (2023-10-18T15:37:19Z) - PhenoBench -- A Large Dataset and Benchmarks for Semantic Image Interpretation in the Agricultural Domain [29.395926321984565]
本稿では,実際の農業分野の意味論的解釈のための注釈付きデータセットとベンチマークを提案する。
UAVで記録したデータセットは、作物や雑草の高品質でピクセル単位のアノテーションを提供するだけでなく、作物の葉のインスタンスも同時に提供する。
異なるフィールドで構成された隠れテストセット上で、さまざまなタスクのベンチマークを提供する。
論文 参考訳（メタデータ） (2023-06-07T16:04:08Z) - Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳（メタデータ） (2023-05-03T05:16:54Z) - 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) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z) - Data Warehouse and Decision Support on Integrated Crop Big Data [0.0]
我々は大陸レベルの農業データウェアハウス(ADW)を設計・実装した。
ADWは,(1)フレキシブルスキーマ,(2)農業用マルチデータセットからのデータ統合,(3)データサイエンスとビジネス用インテリジェントサポート,(4)ハイパフォーマンス,(5)高ストレージ,(6)セキュリティ,(7)ガバナンスと監視,(8)一貫性,可用性,パーティション耐性,(9)クラウド互換性によって特徴付けられる。
論文 参考訳（メタデータ） (2020-03-10T00:10:22Z) - Artificial Intelligence for Digital Agriculture at Scale: Techniques,
Policies, and Challenges [1.1245087602142634]
デジタル農業は農業のスループットを変えるという約束を持っている。
データサイエンスとエンジニアリングを適用して、利用可能なリソースを束縛しながら、入力要素を作物のスループットにマッピングする。
この論文は、次世代のデジタル農業ソリューションの進化に向けて、エンドツーエンドパイプラインを導く重要な疑問をまとめる最初のものである。
論文 参考訳（メタデータ） (2020-01-21T06:02:38Z) - 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。