論文の概要: Detection and Prediction of Nutrient Deficiency Stress using
Longitudinal Aerial Imagery
- arxiv url: http://arxiv.org/abs/2012.09654v1
- Date: Thu, 17 Dec 2020 15:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:33:04.909122
- Title: Detection and Prediction of Nutrient Deficiency Stress using
Longitudinal Aerial Imagery
- Title（参考訳）: 縦型空中画像を用いた栄養不足ストレスの検出と予測
- Authors: Saba Dadsetan, Gisele Rose, Naira Hovakimyan, Jennifer Hobbs
- Abstract要約: 早期, 栄養不足ストレス(NDS)の精密検出は, 環境影響の精度だけでなく, 経済的にも重要である。
我々は,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。
この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
- 参考スコア（独自算出の注目度）: 3.5417999811721677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early, precise detection of nutrient deficiency stress (NDS) has key economic
as well as environmental impact; precision application of chemicals in place of
blanket application reduces operational costs for the growers while reducing
the amount of chemicals which may enter the environment unnecessarily.
Furthermore, earlier treatment reduces the amount of loss and therefore boosts
crop production during a given season. With this in mind, we collect sequences
of high-resolution aerial imagery and construct semantic segmentation models to
detect and predict NDS across the field. Our work sits at the intersection of
agriculture, remote sensing, and modern computer vision and deep learning.
First, we establish a baseline for full-field detection of NDS and quantify the
impact of pretraining, backbone architecture, input representation, and
sampling strategy. We then quantify the amount of information available at
different points in the season by building a single-timestamp model based on a
UNet. Next, we construct our proposed spatiotemporal architecture, which
combines a UNet with a convolutional LSTM layer, to accurately detect regions
of the field showing NDS; this approach has an impressive IOU score of 0.53.
Finally, we show that this architecture can be trained to predict regions of
the field which are expected to show NDS in a later flight -- potentially more
than three weeks in the future -- maintaining an IOU score of 0.47-0.51
depending on how far in advance the prediction is made. We will also release a
dataset which we believe will benefit the computer vision, remote sensing, as
well as agriculture fields. This work contributes to the recent developments in
deep learning for remote sensing and agriculture, while addressing a key social
challenge with implications for economics and sustainability.
- Abstract（参考訳）: 早期に、栄養不足ストレス(NDS)の正確な検出は、環境への影響だけでなく、経済的にも重要であり、毛布の塗布に代えて化学物質の精密適用は、栽培者の運用コストを削減し、環境に不必要に侵入する化学物質の量を削減している。
さらに、早期の処理は損失の量を減らすため、特定の季節に作物の生産を増加させる。
このことを念頭に,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。
私たちの仕事は農業、リモートセンシング、現代のコンピュータビジョンとディープラーニングの交差点にあります。
まず,NDSのフルフィールド検出のためのベースラインを構築し,事前学習,バックボーンアーキテクチャ,入力表現,サンプリング戦略の影響を定量化する。
次に、unetに基づくシングルタイムスタンプモデルを構築して、シーズンの異なるポイントで利用可能な情報量を定量化する。
次に,NDSを示すフィールドの領域を正確に検出するために,UNetと畳み込みLSTM層を組み合わせた時空間アーキテクチャを構築した。
最後に, このアーキテクチャは, 後続飛行(将来3週間以上)でNDSを示すと予測されるフィールドの領域を予測するために, 予報までの距離に応じて, IOUスコア0.47-0.51を維持することができることを示す。
私たちはまた、コンピュータビジョン、リモートセンシング、農業分野にメリットがあると信じているデータセットもリリースします。
この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
関連論文リスト
- Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳（メタデータ） (2024-09-29T08:18:50Z) - Low-Cost Tree Crown Dieback Estimation Using Deep Learning-Based Segmentation [0.0]
深層学習と植生指標に基づくアプローチを用いて,LiDARなどの高価な機器を必要とせずに,RGB空中データからクラウンダイバックを評価する。
基礎となるMask R-CNNモデルのさらなる技術開発を必要とせず、高い全体セグメント化精度(mAP:0.519)を得る。
本研究は,森林ダイバックモニタリングの網羅性,速度,コストを改善するため,ディープラーニングの適用を含む自動データ収集および処理の可能性を示すものである。
論文 参考訳（メタデータ） (2024-09-12T16:03:56Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Autoregressive Uncertainty Modeling for 3D Bounding Box Prediction [63.3021778885906]
3Dバウンディングボックスは、多くのコンピュータビジョンアプリケーションで広く使われている中間表現である。
本稿では,自己回帰モデルを利用して高い信頼度予測と意味のある不確実性対策を行う手法を提案する。
我々はシミュレーションデータセットであるCOB-3Dをリリースし、現実世界のロボティクスアプリケーションで発生する新しいタイプのあいまいさを強調します。
論文 参考訳（メタデータ） (2022-10-13T23:57:40Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳（メタデータ） (2022-06-15T19:46:59Z) - 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) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳（メタデータ） (2020-12-07T07:56:11Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - UAV and Machine Learning Based Refinement of a Satellite-Driven
Vegetation Index for Precision Agriculture [0.8399688944263843]
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。
論文 参考訳（メタデータ） (2020-04-29T18:34:48Z)
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。