論文の概要: Estimating Leaf Water Content using Remotely Sensed Hyperspectral Data
- arxiv url: http://arxiv.org/abs/2109.02250v1
- Date: Mon, 6 Sep 2021 05:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 01:23:03.227418
- Title: Estimating Leaf Water Content using Remotely Sensed Hyperspectral Data
- Title（参考訳）: リモートセンシングハイパースペクトルデータを用いた葉水含量の推定
- Authors: Vishal Vinod, Rahul Raj, Rohit Pingale, Adinarayana Jagarlapudi
- Abstract要約: 葉水含量(LWC)は、水分含量を推定し、ストレスのある植物を特定するために用いられる指標である。
本研究では,UAVを用いたハイパースペクトルデータからLWCを非破壊的に推定する方法を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Plant water stress may occur due to the limited availability of water to the
roots/soil or due to increased transpiration. These factors adversely affect
plant physiology and photosynthetic ability to the extent that it has been
shown to have inhibitory effects in both growth and yield [18]. Early
identification of plant water stress status enables suitable corrective
measures to be applied to obtain the expected crop yield. Further, improving
crop yield through precision agriculture methods is a key component of climate
policy and the UN sustainable development goals [1]. Leaf water content (LWC)
is a measure that can be used to estimate water content and identify stressed
plants. LWC during the early crop growth stages is an important indicator of
plant productivity and yield. The effect of water stress can be instantaneous
[15], affecting gaseous exchange or long-term, significantly reducing [9, 18,
22]. It is thus necessary to identify potential plant water stress during the
early stages of growth [15] to introduce corrective irrigation and alleviate
stress. LWC is also useful for identifying plant genotypes that are tolerant to
water stress and salinity by measuring the stability of LWC even under
artificially induced water stress [18, 25]. Such experiments generally employ
destructive procedures to obtain the LWC, which is time-consuming and labor
intensive. Accordingly, this research has developed a non-destructive method to
estimate LWC from UAV-based hyperspectral data.
- Abstract（参考訳）: 植物の水ストレスは、根/土壌への水の供給が限られているか、または蒸散が増加するために起こる。
これらの因子は植物生理学および光合成能力に悪影響を及ぼし、成長と収量の両方に阻害効果があることが示されている[18]。
植物水ストレス状態の早期同定により、所望の収量を得るために適切な補正措置が適用できる。
さらに、精密農業手法による収量向上は、気候変動政策と国連持続可能な開発目標の鍵となる要素である[1]。
葉水含量(LWC)は、水分含量を推定し、ストレスのある植物を特定するために用いられる指標である。
作物の初期生育期におけるLWCは、植物の生産性と収量の重要な指標である。
水ストレスの影響は即時[15]であり、ガス交換や長期に影響を及ぼし、[9, 18, 22] が著しく減少する。
したがって,[15]の生育初期における植物性水ストレスを同定し, 修正灌水の導入とストレス緩和が必要である。
lwcはまた、人工的な水ストレス下でもlwcの安定性を測定することにより、水ストレスや塩分に耐性のある植物遺伝子型を同定するのにも有用である[18,25]。
このような実験は通常、時間消費と労働集約のlwcを得るために破壊的な手順を用いる。
そこで本研究では,超スペクトルデータからlwcを推定する非破壊手法を開発した。
関連論文リスト
- Understanding Warmup-Stable-Decay Learning Rates: A River Valley Loss Landscape Perspective [66.80315289020487]
Warmup-Stable-Decay (WSD) スケジュールは、一定の学習率を使用して、所定の計算予算なしで無限に継続できるイテレーションのメインブランチを生成する。
プレトレーニング損失は,河底に川がある深い谷に類似した河谷景観を呈することを示す。
この理論にインスパイアされたWSD-Sは、従来のチェックポイントの崩壊フェーズを再利用し、メインブランチを1つだけ保持するWSDの変種である。
論文 参考訳（メタデータ） (2024-10-07T16:49:39Z) - Multi-Sensor and Multi-temporal High-Throughput Phenotyping for
Monitoring and Early Detection of Water-Limiting Stress in Soybean [5.373434048230662]
水制限ストレス(すなわち干ばつ)はダイズ生産の重大なリスクとして現れる。
このプロジェクトはマルチモーダル情報を組み合わせて、干ばつ応答を調査するための最も効率的かつ効率的な自動化方法を特定する。
論文 参考訳（メタデータ） (2024-02-28T23:18:15Z) - Machine Learning in management of precautionary closures caused by
lipophilic biotoxins [43.51581973358462]
ムッセル農業は最も重要な水産産業の1つである。
ムッセル農業の主なリスクは有害な藻類開花(HABs)であり、人間の消費に危険をもたらす。
本研究は,予防的クロージャの適用を支援する予測モデルを提案する。
論文 参考訳（メタデータ） (2024-02-14T15:51:58Z) - PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-27T16:56:28Z) - Machine learning-based characterization of hydrochar from biomass:
Implications for sustainable energy and material production [7.7276891733684465]
HTC (Hydrothermal Carbonization) は、バイオマスを事前乾燥することなく多用途のハイドロチャーに変換するプロセスである。
本研究の目的は, 異なるバイオマス源から生産されるヒドロチャーを, 異なる反応処理パラメータで特徴付けるモデルを開発することである。
論文 参考訳（メタデータ） (2023-05-24T18:55:54Z) - Optimizing Irrigation Efficiency using Deep Reinforcement Learning in
the Field [4.091593765662773]
農業用水は淡水消費に大きく寄与している。
現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。
本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
論文 参考訳（メタデータ） (2023-04-04T01:04:53Z) - 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) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - 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) - Identifying Water Stress in Chickpea Plant by Analyzing Progressive
Changes in Shoot Images using Deep Learning [0.41998444721319217]
我々は,視覚的時間パターンを学習し,水ストレスカテゴリーを高い信頼性で予測するLSTM-CNNアーキテクチャを開発した。
提案したモデルは,JG-62ではtextbf98.52%,Pusa-372ではtextbf97.78%の天井レベル分類性能,およびチクピー植物データであった。
論文 参考訳（メタデータ） (2021-04-16T06:23:19Z) - 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。