Fugu-MT 論文翻訳(概要): Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties

論文の概要: Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties

arxiv url: http://arxiv.org/abs/2012.12995v2
Date: Wed, 20 Jan 2021 21:34:30 GMT
ステータス: 処理完了
システム内更新日: 2021-04-25 19:48:25.106854
Title: Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties
Title（参考訳）: vis-nirsと機械学習を用いたサトウキビ土壌化学特性の診断
Authors: Diego A. Delgadillo-Duran, Cesar A. Vargas-Garc\'ia, Viviana M. Var\'on-Ram\'irez, Francisco Calder\'on, Andrea C. Montenegro, Paula H. Reyes-Herrera
Abstract要約: 化学土壌の特性を知ることは、作物管理と総収量生産において決定的である。従来の資産推定手法は時間がかかり、複雑な実験室のセットアップを必要とする。スペクトル信号(vis-NIRS)からの物性推定は、低コストで非侵襲的で非破壊的な代替手段として現れた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowing chemical soil properties might be determinant in crop management and total yield production. Traditional property estimation approaches are time-consuming and require complex lab setups, refraining farmers from taking steps towards optimal practices in their crops promptly. Property estimation from spectral signals(vis-NIRS), emerged as a low-cost, non-invasive, and non-destructive alternative. Current approaches use mathematical and statistical techniques, avoiding machine learning framework. Here we propose both regression and classification with machine learning techniques to assess performance in the prediction and infer categories of common soil properties (pH, soil organic matter, Ca, Na, K, and Mg), evaluated by the most common metrics. In sugarcane soils, we use regression to estimate properties and classification to assess soil's property status and report the direct relation between spectra bands and direct measure of certain properties. In both cases, we achieved similar performance on similar setups reported in the literature.
Abstract（参考訳）: 化学土壌の性質を知ることは、作物管理と総収量生産において決定的に重要である。伝統的な資産推定手法は時間を要するため、複雑な実験室の設置が必要であり、農家が作物の最適な慣行を迅速に進めるのを妨げている。スペクトル信号(vis-NIRS)の特性推定は、低コストで非侵襲的で非破壊的な代替手段として登場した。現在のアプローチでは、機械学習フレームワークを避けて、数学的および統計的なテクニックを使用する。そこで本研究では, 一般的な土壌特性(pH, 土壌有機物, Ca, Na, K, Mg)の予測と推定における性能評価を行うため, 機械学習技術を用いた回帰と分類の両方を提案する。サトウキビの土壌では,土壌の特性と分類を推定し,スペクトルバンド間の直接関係を報告し,その特性の直接測定を行う。いずれの場合も,文献で報告された同様の設定で同様の結果を得た。

関連論文リスト

Precision Soil Quality Analysis Using Transformer-based Data Fusion Strategies: A Systematic Review [6.184871136700834]
本稿では,農業リモートセンシング(RS)におけるトランスフォーマーを用いたデータ融合技術の最近の進歩を概観する。 2022年以降、トランスフォーマーは従来のディープラーニングと機械学習の手法を大きく上回っていることを実証した。このレビューは、作物の生産性を最適化し、持続可能な農業慣行を確実にする上で、土壌条件の重要性から、特に土壌分析に焦点を当てている。
論文参考訳（メタデータ） (2024-10-24T01:26:21Z)
Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文参考訳（メタデータ） (2024-10-14T17:22:55Z)
Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文参考訳（メタデータ） (2023-10-04T20:36:41Z)
SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
論文参考訳（メタデータ） (2023-08-07T13:44:44Z)
Rapid detection of soil carbonates by means of NIR spectroscopy, deep learning methods and phase quantification by powder Xray diffraction [0.0]
FT NIR分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。 1)回帰器、2)CNNなど複数の機械学習手法を利用して、それらの性能を従来のMLアルゴリズムと比較した。
論文参考訳（メタデータ） (2023-07-23T14:32:07Z)
Fuzzy clustering for the within-season estimation of cotton phenology [0.0]
本研究では,綿花の季節内表現学評価のための新しい手法を提案する。本手法は, スパース・アンス・グラウンドの真理データにおいて, 常に存在する問題に対処するために, 教師なしの手法である。このモデルを評価するため,ギリシャのオルコメノスで1,285の栽培地観測を行った。
論文参考訳（メタデータ） (2022-11-25T13:30:57Z)
Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文参考訳（メタデータ） (2022-02-13T04:56:18Z)
Total Nitrogen Estimation in Agricultural Soils via Aerial Multispectral Imaging and LIBS [0.6875312133832077]
土壌の健康指標(SHIs)を測定する方法の多くは、内部の湿式化学または分光法に基づく方法である。我々は,土壌の総窒素 (TN) を推定するために,UAV (Universal-time Unmanned Aviation Vehicle) を用いたマルチスペクトルセンシング (UMS) ソリューションを開発した。
論文参考訳（メタデータ） (2021-07-06T02:37:30Z)
Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文参考訳（メタデータ） (2021-02-15T10:37:52Z)
Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文参考訳（メタデータ） (2021-02-02T09:34:34Z)
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)

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。