論文の概要: An Open Dataset of Sensor Data from Soil Sensors and Weather Stations at Production Farms

• arxiv url: http://arxiv.org/abs/2302.09072v1
• Date: Thu, 16 Feb 2023 21:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 20:24:43.215152
• Title: An Open Dataset of Sensor Data from Soil Sensors and Weather Stations at Production Farms
• Title（参考訳）: 生産農場における土壌センサと気象観測所からのセンサデータのオープンデータセット
• Authors: Charilaos Mousoulis, Pengcheng Wang, Nguyen Luu Do, Jose F Waimin, Nithin Raghunathan, Rahim Rahimi, Ali Shakouri, and Saurabh Bagchi
• Abstract要約: このデータセットは、3つの生産農場にまたがる3つのノードの代表サンプルから5ヶ月間の土壌センサデータから構成される。 このデータを気象データと相関させ,土壌中の雨の吸収について考察する。
• 参考スコア（独自算出の注目度）: 7.561052256409596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Weather and soil conditions are particularly important when it comes to farming activities. Study of these factors and their role in nutrient and nitrate absorption rates can lead to useful insights with benefits for both the crop yield and the protection of the environment through the more controlled use of fertilizers and chemicals. There is a paucity of public data from rural, agricultural sensor networks. This is partly due to the unique challenges faced during the deployment and maintenance of IoT networks in rural agricultural areas. As part of a 5-year project called WHIN we have been deploying and collecting sensor data from production and experimental agricultural farms in and around Purdue University in Indiana. Here we release a dataset comprising soil sensor data from a representative sample of 3 nodes across 3 production farms, each for 5 months. We correlate this data with the weather data and draw some insights about the absorption of rain in the soil. We provide the dataset at: https://purduewhin.ecn.purdue.edu/dataset2021.
• Abstract（参考訳）: 農業活動においては、気候や土壌条件が特に重要である。 これらの要因とその栄養素および硝酸塩の吸収速度に関する研究は、より制御された肥料や化学物質の使用を通じて、作物の収量と環境保護の両方に利益をもたらす有用な洞察をもたらす可能性がある。 農村部、農業用センサーネットワークから得られる公共データにはpaucityがある。 これは、農村部におけるIoTネットワークの展開とメンテナンスにおいて直面する、ユニークな課題によるものだ。 WHINと呼ばれる5年間のプロジェクトの一環として、インディアナ州パーデュー大学周辺で生産および実験農場からセンサーデータを収集してきた。 ここでは,3つの生産農場にまたがる3ノードの代表サンプルから土壌センサデータからなるデータセットを5ヶ月毎にリリースする。 このデータを気象データと関連付け、土壌における雨の吸収に関する洞察を得る。 データセットはhttps://purduewhin.ecn.purdue.edu/dataset2021。

関連論文リスト

• Machine Learning-based Nutrient Application's Timeline Recommendation for Smart Agriculture: A Large-Scale Data Mining Approach [0.0]
  不正確な肥料の用途の決定は、コストのかかる結果をもたらし、食糧生産を妨げ、環境に害を与える可能性がある。 そこで本研究では, 年間を通じて必要な肥料量を決定することにより, 栄養素の応用を予測する方法を提案する。 提案手法は, 費用対効果と環境に優しい農業を促進するため, 気象条件と土壌特性に基づく肥料量の調整を推奨する。
  論文  参考訳（メタデータ） (2023-10-18T15:37:19Z)
• 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)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields [59.035813796601055]
  トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。 我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
  論文  参考訳（メタデータ） (2022-09-27T07:04:28Z)
• High-Resolution Satellite Imagery for Modeling the Impact of Aridification on Crop Production [2.5402662954395097]
  我々は3つの異なる衛星から異なる空間解像度の時系列画像を持つ、第一種データセットSICKLEを紹介した。 このデータセットは、デルタ州の4つの地区に分布する388個のプロットから、季節ごとに2,398個のサンプルで構成されている。 本データセットは,作物の種類,表現年月日(播種,移植,収穫),収量予測の3つの異なるタスクについてベンチマークし,実環境において重要な作物パラメータを予測するためのエンドツーエンドのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-09-25T14:54:50Z)
• Towards a Multimodal System for Precision Agriculture using IoT and Machine Learning [0.5249805590164902]
  データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。 作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。 VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
  論文  参考訳（メタデータ） (2021-07-10T19:19:45Z)
• 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)
• 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)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)
• Crop Knowledge Discovery Based on Agricultural Big Data Integration [2.597676155371155]
  農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。 本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:13:17Z)

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。