Fugu-MT 論文翻訳(概要): Temperature Monitoring of Agricultural Areas in a Secure Data Room

論文の概要: Temperature Monitoring of Agricultural Areas in a Secure Data Room

arxiv url: http://arxiv.org/abs/2310.18019v1
Date: Fri, 27 Oct 2023 09:49:52 GMT
ステータス: 処理完了
システム内更新日: 2023-10-30 14:06:43.488790
Title: Temperature Monitoring of Agricultural Areas in a Secure Data Room
Title（参考訳）: 安全なデータルームにおける農業地帯の温度モニタリング
Authors: Thomas Ederer, Martin Ivancsits, and Igor Ivki\'c
Abstract要約: 作物が発芽した直後の後期の凍土は、植物に大きな損傷を与える可能性がある。本稿では,農作物の失敗を防止するため,後期凍土の検出・反応を行う費用効率のよい温度モニタリングシステムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agricultural production is highly dependent on naturally occurring environmental conditions like change of seasons and the weather. Especially in fruit and wine growing, late frosts occurring shortly after the crops have sprouted have the potential to cause massive damage to plants [L1,L2] [1]. In this article we present a cost-efficient temperature monitoring system for detecting and reacting to late frosts to prevent crop failures. The proposed solution includes a data space where Internet of Things (IoT) devices can form a cyber-physical system (CPS) to interact with their nearby environment and securely exchange data. Based on this data, more accurate predictions can be made in the future using machine learning (ML), which will further contribute to minimising economic damage caused by crop failures.
Abstract（参考訳）: 農業生産は季節の変化や天候など自然発生の環境に大きく依存している。特に果実やワインの生育では、作物が発芽した直後の後期フロストは植物 [L1,L2] [1] に大きな損傷を与える可能性がある。本稿では,農作物の失敗を防止するため,後期凍土の検出・反応を行う費用効率のよい温度モニタリングシステムを提案する。提案されたソリューションは、IoT(Internet of Things)デバイスがサイバー物理システム(CPS)を形成して、近くの環境と対話し、データを安全に交換するデータ空間を含む。このデータに基づいて、将来的には機械学習(ML)を用いてより正確な予測を行うことができる。

関連論文リスト

Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文参考訳（メタデータ） (2024-11-07T22:29:05Z)
Climate-Driven Doubling of Maize Loss Probability in U.S. Crop Insurance: Spatiotemporal Prediction and Possible Policy Responses [0.0]
人工ニューラルネットワークを用いて、米国コーンベルトの将来のトウモロコシ収量を予測する。我々は,連邦作物保険プログラムにおいて,制度上のリスク曝露に対する警告的な変化を見出した。
論文参考訳（メタデータ） (2024-08-05T03:38:38Z)
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)
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)
Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文参考訳（メタデータ） (2023-05-03T05:16:54Z)
Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文参考訳（メタデータ） (2022-11-20T06:46:35Z)
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)
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)
AI on the Bog: Monitoring and Evaluating Cranberry Crop Risk [3.8902094267855163]
本稿では,クランベリーオーバーヒートアセスメントをリアルタイムに実現し,支援するエンド・ツー・エンドのクランベリー健康モニタリングシステムを開発した。ドローンによるフィールドデータと地上のスカイデータ収集システムを用いて、作物の健康分析に使用される複数の時点の映像を収集する。太陽放射予測誤差は5～20分間の地平線で8.41-20.36%のMAPEであることが判明した。
論文参考訳（メタデータ） (2020-11-08T20:03:20Z)
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)
SMArtCast: Predicting soil moisture interpolations into the future using Earth observation data in a deep learning framework [0.8399688944263843]
本研究では,衛星画像から土壌水分と植生の計測を行った。システムは、これらの測定の将来の値を予測することを学習する。これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
論文参考訳（メタデータ） (2020-03-16T23:06:14Z)

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。