論文の概要: UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture

• arxiv url: http://arxiv.org/abs/2004.14421v1
• Date: Wed, 29 Apr 2020 18:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 13:25:34.310697
• Title: UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture
• Title（参考訳）: 精密農業のための衛星駆動植生指標のUAVと機械学習によるリファインメント
• Authors: Vittorio Mazzia, Lorenzo Comba, Aleem Khaliq, Marcello Chiaberge, Paolo Gay
• Abstract要約: 本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。 無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。 セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
• 参考スコア（独自算出の注目度）: 0.8399688944263843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision agriculture is considered to be a fundamental approach in pursuing a low-input, high-efficiency, and sustainable kind of agriculture when performing site-specific management practices. To achieve this objective, a reliable and updated description of the local status of crops is required. Remote sensing, and in particular satellite-based imagery, proved to be a valuable tool in crop mapping, monitoring, and diseases assessment. However, freely available satellite imagery with low or moderate resolutions showed some limits in specific agricultural applications, e.g., where crops are grown by rows. Indeed, in this framework, the satellite's output could be biased by intra-row covering, giving inaccurate information about crop status. This paper presents a novel satellite imagery refinement framework, based on a deep learning technique which exploits information properly derived from high resolution images acquired by unmanned aerial vehicle (UAV) airborne multispectral sensors. To train the convolutional neural network, only a single UAV-driven dataset is required, making the proposed approach simple and cost-effective. A vineyard in Serralunga d'Alba (Northern Italy) was chosen as a case study for validation purposes. Refined satellite-driven normalized difference vegetation index (NDVI) maps, acquired in four different periods during the vine growing season, were shown to better describe crop status with respect to raw datasets by correlation analysis and ANOVA. In addition, using a K-means based classifier, 3-class vineyard vigor maps were profitably derived from the NDVI maps, which are a valuable tool for growers.
• Abstract（参考訳）: 精密農業は、サイト固有の経営実践を行う際に、低出力で高効率で持続可能な農業を追求する基本的なアプローチであると考えられている。 この目的を達成するには、作物の地域的地位の信頼性と更新が必要である。 リモートセンシング、特に衛星ベースの画像は、作物のマッピング、モニタリング、病気の評価に有用なツールであることが証明された。 しかし、低解像度または適度な解像度の衛星画像は、例えば作物が列で栽培される特定の農業用途にいくつかの限界を示していた。 実際、この枠組みでは、衛星の出力は列内被覆によって偏り、作物の状態に関する不正確な情報を与える可能性がある。 本稿では,無人航空機(uav)空中マルチスペクトルセンサによって取得された高解像度画像から得られた情報を適切に活用する深層学習技術に基づく,新しい衛星画像改良枠組みを提案する。 畳み込みニューラルネットワークのトレーニングには、1つのUAV駆動データセットのみが必要であるため、提案手法は単純で費用対効果が高い。 北イタリアのセラルンガ・ダルバ(serralunga d'alba)にあるブドウ畑が、検証目的のケーススタディとして選ばれた。 NDVI(Refined Satellite-driven normalized difference vegetation Index)マップは、ブドウ栽培期間中に4つの異なる期間に取得され、相関分析とANOVAによる生データに対する作物のステータスをよりよく記述した。 さらに,K-meansをベースとした分類器を用いて,NDVIマップから3級ブドウ畑のビゴールマップを収益性で抽出した。

関連論文リスト

• Can SAM recognize crops? Quantifying the zero-shot performance of a semantic segmentation foundation model on generating crop-type maps using satellite imagery for precision agriculture [4.825257766966091]
  クロップ型マップは意思決定支援ツールの重要な情報である。 本稿では,Meta AIのSegment Anything Model(SAM)の作物マップ予測機能について検討する。 SAMは最大3チャンネルの入力に制限されており、ゼロショットの使用は本質的にクラスに依存しない。
  論文  参考訳（メタデータ） (2023-11-25T23:40:09Z)
• 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)
• 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)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• 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)
• Estimaci\'on de \'areas de cultivo mediante Deep Learning y programaci\'on convencional [0.0]
  エクアドルにおけるサトウキビの栽培・収穫において,最も認知度の高い企業の一つとして検討されてきた。 この戦略はGAN(Generative Adversarial Neural Network)と組み合わせて、サトウキビのプロットの航空写真に基づいて訓練し、人口密度や人口密度の低い作物を識別する。 実験では、空中写真の品質が大幅に向上した。
  論文  参考訳（メタデータ） (2022-07-25T16:22:55Z)
• The channel-spatial attention-based vision transformer network for automated, accurate prediction of crop nitrogen status from UAV imagery [2.2543220665761026]
  窒素 (N) 肥料は農夫が収穫量を増やすために常用する。 作物のN状態の正確なタイムリーな推定は、収穫システムの経済的・環境的持続可能性の向上に不可欠である。 リモートセンシングと機械学習の最近の進歩は、前述の課題に非破壊的に対処する上で有望であることを示している。 コムギ畑のUAVから収集した大画像から作物Nのステータスを推定するためのチャネル空間の注意に基づく視覚変換器(CSVT)を提案する。
  論文  参考訳（メタデータ） (2021-11-12T17:48:44Z)
• 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)
• 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)
• 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。