論文の概要: Mapping Walnut Water Stress with High Resolution Multispectral UAV
Imagery and Machine Learning
- arxiv url: http://arxiv.org/abs/2401.01375v2
- Date: Wed, 10 Jan 2024 01:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 16:32:27.289113
- Title: Mapping Walnut Water Stress with High Resolution Multispectral UAV
Imagery and Machine Learning
- Title(参考訳): 高分解能マルチスペクトルUAV画像と機械学習によるクルミ水ストレスのマッピング
- Authors: Kaitlyn Wang, Yufang Jin
- Abstract要約: 本研究では、ランダムフォレストモデル(RF)を用いて、茎水電位(SWP)をマッピングする機械学習手法を提案する。
2017年から2018年にかけて、商業用クルミ果樹園で7バンドのマルチスペクトルカメラを搭載したUAVの5回の飛行が行われた。
直交UAV画像と気象データから得られた植生指標を利用したRF回帰モデルにより,効果的に地盤計測SWPを推定する。
RF分類モデルでは, クルミの木中の水ストレスレベルを85%の精度で予測し, 還元された分類モデルの80%を超える精度を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective monitoring of walnut water status and stress level across the whole
orchard is an essential step towards precision irrigation management of
walnuts, a significant crop in California. This study presents a machine
learning approach using Random Forest (RF) models to map stem water potential
(SWP) by integrating high-resolution multispectral remote sensing imagery from
Unmanned Aerial Vehicle (UAV) flights with weather data. From 2017 to 2018,
five flights of an UAV equipped with a seven-band multispectral camera were
conducted over a commercial walnut orchard, paired with concurrent ground
measurements of sampled walnut plants. The RF regression model, utilizing
vegetation indices derived from orthomosaiced UAV imagery and weather data,
effectively estimated ground-measured SWPs, achieving an $R^2$ of 0.63 and a
mean absolute error (MAE) of 0.80 bars. The integration of weather data was
particularly crucial for consolidating data across various flight dates.
Significant variables for SWP estimation included wind speed and vegetation
indices such as NDVI, NDRE, and PSRI.A reduced RF model excluding red-edge
indices of NDRE and PSRI, demonstrated slightly reduced accuracy ($R^2$ =
0.54). Additionally, the RF classification model predicted water stress levels
in walnut trees with 85% accuracy, surpassing the 80% accuracy of the reduced
classification model. The results affirm the efficacy of UAV-based
multispectral imaging combined with machine learning, incorporating thermal
data, NDVI, red-edge indices, and weather data, in walnut water stress
estimation and assessment. This methodology offers a scalable, cost-effective
tool for data-driven precision irrigation management at an individual plant
level in walnut orchards.
- Abstract(参考訳): 果樹園全体にわたるクルミの水位とストレスレベルを効果的にモニタリングすることは、カリフォルニアの重要な作物であるクルミの精密灌水管理に不可欠なステップである。
本研究では、無人航空機(UAV)の高分解能マルチスペクトルリモートセンシング画像と気象データを統合することにより、ランダムフォレスト(RF)モデルを用いて、茎水電位(SWP)をマッピングする機械学習手法を提案する。
2017年から2018年にかけて、7バンドのマルチスペクトルカメラを搭載したUAVの5回の飛行が商業用クルミ果樹園で行われ、サンプルのクルミ植物を同時に測定した。
直交UAV画像と気象データから得られた植生指標を利用したRF回帰モデルにより,地上計測SWPを効果的に推定し,R^2$0.63,平均絶対誤差0.80バーを達成した。
気象データの統合は、様々な飛行日にまたがってデータを統合するために特に重要だった。
SWP推定の変数としては,NDVI,NDRE,PSRIなどの風速・植生指標があり,NDRE,PSRIの赤縁指標を除くRFモデルでは,わずかに精度が低下した(R^2$ = 0.54)。
さらに, rf分類モデルは, 85%の精度で水ストレスレベルを予測し, 低減した分類モデルの80%の精度を上回った。
その結果,UAVをベースとしたマルチスペクトルイメージングと機械学習を併用し,温熱データ,NDVI,赤縁指標,気象データを用いてクルミの水ストレス評価と評価を行った。
この手法は、クルミ果樹の個々の植物レベルで、データ駆動の精密灌水管理のためのスケーラブルで費用対効果の高いツールを提供する。
関連論文リスト
- Using Long Short-term Memory (LSTM) to merge precipitation data over mountainous area in Sierra Nevada [12.729339328566542]
降水量計、降水レーダ、衛星ベースの降水センサーといった3つの広く使われている降水量測定手法は、複雑な領域で信頼できる降水生成物を生成するために独自の利点と欠点を持っている。
検出エラーの確率を低減し、データの信頼性を向上させる方法の1つは、降水データマージである。
本研究では,Long Short-term Memory (LSTM) という深層学習技術を用いて,レーダーと衛星を用いたグローバル降水量測定(GPM)を時間スケールで統合した。
論文 参考訳(メタデータ) (2024-04-15T21:01:31Z) - FUELVISION: A Multimodal Data Fusion and Multimodel Ensemble Algorithm for Wildfire Fuels Mapping [0.6592966907430154]
森林調査計画(FIA)データを用いて「スコットとバーガン40」のようなランドスケープスケールの燃料を推定するために,アンサンブルモデルを訓練した。
Pseudo-labeled and fully synthetic datasets were developed using Generative AI approach to address the limit of ground truth data available。
ディープラーニングニューラルネットワーク、決定木、勾配向上など、一連の手法を使用することで、燃料マッピングの精度は80%近く向上した。
論文 参考訳(メタデータ) (2024-03-19T14:20:46Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Generating high-quality 3DMPCs by adaptive data acquisition and
NeREF-based radiometric calibration with UGV plant phenotyping system [3.7387019397567793]
本研究では, 適応データ取得とラジオメトリックキャリブレーションにより高品質な3DMPCを生産する手法を提案する。
プラント全体のデータの完全性は、固定された視点のみと比較して平均23.6%向上した。
3Dキャリブレーションプラント3DMPCは、クロロフィル含有量のPLSRの予測精度を向上し、R2では平均0.07、RMSEでは平均21.25%向上した。
論文 参考訳(メタデータ) (2023-05-11T12:59:21Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳(メタデータ) (2023-04-22T22:39:03Z) - Augmented Imagefication: A Data-driven Fault Detection Method for
Aircraft Air Data Sensors [12.317152569123541]
航空機用エアデータセンサ(ADS)のFD(Augmented Imagefication for Fault Detection)と呼ばれる新しいデータ駆動方式を提案する。
深層ニューラルネットワーク(DNN)に基づくエッジデバイス上でのオンラインFDスキームを開発し,航空機のリアルタイム監視を実現する。
論文 参考訳(メタデータ) (2022-06-18T00:06:53Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳(メタデータ) (2021-11-23T08:04:32Z) - 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) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - Tropical and Extratropical Cyclone Detection Using Deep Learning [0.7025418443146436]
U-Net構造を用いたディープラーニングセグメンテーション画像モデルは、より制限的なアプローチによって欠落した領域を特定することができる。
4つのU-Netモデルは、熱帯と熱帯のサイクロン地域を検知するために設計されている。
熱帯性サイクロンU-Netモデルは、同じROIを検出するために使用される同等のモデルよりも3倍高速に動作した。
論文 参考訳(メタデータ) (2020-05-18T20:09:20Z)
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。