論文の概要: Fuzzy clustering for the within-season estimation of cotton phenology
- arxiv url: http://arxiv.org/abs/2211.14099v1
- Date: Fri, 25 Nov 2022 13:30:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:48:47.538821
- Title: Fuzzy clustering for the within-season estimation of cotton phenology
- Title（参考訳）: 綿花現象の季節内推定のためのファジィクラスタリング
- Authors: Vasileios Sitokonstantinou, Alkiviadis Koukos, Ilias Tsoumas, Nikolaos
S. Bartsotas, Charalampos Kontoes, Vassilia Karathanassi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop phenology is crucial information for crop yield estimation and
agricultural management. Traditionally, phenology has been observed from the
ground; however Earth observation, weather and soil data have been used to
capture the physiological growth of crops. In this work, we propose a new
approach for the within-season phenology estimation for cotton at the field
level. For this, we exploit a variety of Earth observation vegetation indices
(derived from Sentinel-2) and numerical simulations of atmospheric and soil
parameters. Our method is unsupervised to address the ever-present problem of
sparse and scarce ground truth data that makes most supervised alternatives
impractical in real-world scenarios. We applied fuzzy c-means clustering to
identify the principal phenological stages of cotton and then used the cluster
membership weights to further predict the transitional phases between adjacent
stages. In order to evaluate our models, we collected 1,285 crop growth ground
observations in Orchomenos, Greece. We introduced a new collection protocol,
assigning up to two phenology labels that represent the primary and secondary
growth stage in the field and thus indicate when stages are transitioning. Our
model was tested against a baseline model that allowed to isolate the random
agreement and evaluate its true competence. The results showed that our model
considerably outperforms the baseline one, which is promising considering the
unsupervised nature of the approach. The limitations and the relevant future
work are thoroughly discussed. The ground observations are formatted in an
ready-to-use dataset and will be available at
https://github.com/Agri-Hub/cotton-phenology-dataset upon publication.
- Abstract（参考訳）: 作物表現学は作物収量の推定と農業管理にとって重要な情報である。
伝統的に、フェノロジーは地上から観測されてきたが、地球観測、気象観測、土壌データを用いて作物の生理的成長を捉えている。
本研究では,綿花のフィールドレベルでの季節内表現学推定のための新しい手法を提案する。
本研究では,地球観測植生指標(センチネル-2由来)と大気・土壌パラメータの数値シミュレーションを応用した。
提案手法は,実世界のシナリオにおいて最も教師あり代替手段が実用的でないような,粗末で希少な事実データを扱うため,教師なしである。
ファジィc-meansクラスタリングを用いて綿の主な表現学的段階を同定し,クラスターメンバーシップ重みを用いて隣接する段階間の遷移相を更に予測した。
モデルを評価するため,ギリシャのオルコメノスで1,285回の作物生育地観測を行った。
そこで我々は,フィールドの一次成長段階と二次成長段階を表す2つの表現学ラベルを割り当て,段階遷移の時期を示す新しい収集プロトコルを導入した。
我々のモデルは,ランダムな合意を分離し,その真の能力を評価するベースラインモデルに対してテストされた。
その結果,本モデルがベースラインモデルよりもかなり優れており,教師なしのアプローチの性質を考慮すると有望であることがわかった。
限界と今後の課題を徹底的に議論する。
地上観測は、利用可能なデータセットでフォーマットされ、公開時にhttps://github.com/Agri-Hub/cotton-phenology-datasetで利用可能になる。
関連論文リスト
- Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。
我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。
モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
論文 参考訳（メタデータ） (2024-07-11T08:23:46Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa [3.6826233660285395]
ロカスト群れは農業と食料安全保障に 大きな脅威を与えます
本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
論文 参考訳（メタデータ） (2024-03-11T16:13:58Z) - Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2024-01-29T04:15:22Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level
Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。
自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。
表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
論文 参考訳（メタデータ） (2023-12-22T14:06:44Z) - 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) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - 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)
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。