論文の概要: Multi-Sensor and Multi-temporal High-Throughput Phenotyping for
Monitoring and Early Detection of Water-Limiting Stress in Soybean
- arxiv url: http://arxiv.org/abs/2402.18751v1
- Date: Wed, 28 Feb 2024 23:18:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 16:43:42.612792
- Title: Multi-Sensor and Multi-temporal High-Throughput Phenotyping for
Monitoring and Early Detection of Water-Limiting Stress in Soybean
- Title（参考訳）: ダイズにおける除水ストレスのモニタリングと早期検出のためのマルチセンサとマルチタイムハイスループ・フェノタイピング
- Authors: Sarah E. Jones, Timilehin Ayanlade, Benjamin Fallen, Talukder Z.
Jubery, Arti Singh, Baskar Ganapathysubramanian, Soumik Sarkar, and Asheesh
K. Singh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.373434048230662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Soybean production is susceptible to biotic and abiotic stresses, exacerbated
by extreme weather events. Water limiting stress, i.e. drought, emerges as a
significant risk for soybean production, underscoring the need for advancements
in stress monitoring for crop breeding and production. This project combines
multi-modal information to identify the most effective and efficient automated
methods to investigate drought response. We investigated a set of diverse
soybean accessions using multiple sensors in a time series high-throughput
phenotyping manner to: (1) develop a pipeline for rapid classification of
soybean drought stress symptoms, and (2) investigate methods for early
detection of drought stress. We utilized high-throughput time-series
phenotyping using UAVs and sensors in conjunction with machine learning (ML)
analytics, which offered a swift and efficient means of phenotyping. The
red-edge and green bands were most effective to classify canopy wilting stress.
The Red-Edge Chlorophyll Vegetation Index (RECI) successfully differentiated
susceptible and tolerant soybean accessions prior to visual symptom
development. We report pre-visual detection of soybean wilting using a
combination of different vegetation indices. These results can contribute to
early stress detection methodologies and rapid classification of drought
responses in screening nurseries for breeding and production applications.
- Abstract（参考訳）: 大豆の生産は、極端な気象現象によって悪化する、抗生物質や無生物のストレスの影響を受けやすい。
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、作物の育種と生産のためのストレスモニタリングの進歩の必要性を強調している。
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、干ばつ対策の最も効率的かつ効率的な自動化手法を特定する。
我々は,複数のセンサを用いた多種多様なダイズアクセスについて,(1)ダイズ乾燥ストレス症状の迅速分類のためのパイプラインの開発,(2)乾燥ストレスの早期検出方法について検討した。
高速かつ効率的な表現手段である機械学習(ML)分析と併用して,UAVとセンサを用いた高スループット時系列表現を利用した。
レッドエッジとグリーンのバンドは、キャノピー・ウィルティングストレスの分類に最も効果的であった。
Red-Edge Chlorophyll Vegetation Index (RECI) は視覚症状の発症に先立って, 感受性と耐久大豆の接種を識別した。
異なる植生指標の組み合わせによるダイズワイルティングの事前検出について報告する。
これらの結果は,育種・生産のための保育所のスクリーニングにおいて,早期ストレス検出手法や乾燥反応の迅速分類に寄与する。
関連論文リスト
- Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。
HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。
その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
論文 参考訳（メタデータ） (2024-09-16T18:00:00Z) - An Explainable Vision Transformer with Transfer Learning Combined with Support Vector Machine Based Efficient Drought Stress Identification [0.0]
視覚変換器(ViT)は、長距離依存を捉え、複雑な空間関係を捉えるための有望な代替手段を提供する。
航空画像を用いたジャガイモの干ばつストレス検出にViTの力を利用する,説明可能なディープラーニングパイプラインを提案する。
以上の結果から, 提案手法は干ばつストレス同定の精度を高めるだけでなく, 干ばつストレスにかかわる多彩な植物の特徴にも光を当てることが示唆された。
論文 参考訳（メタデータ） (2024-07-31T15:08:26Z) - TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - 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) - Identification of Abnormality in Maize Plants From UAV Images Using Deep
Learning Approaches [0.6226366855893847]
植物の異常の早期発見は、適切な生育を確保し、作物から高い収量を得るための重要な課題である。
本研究は, 成長段階とは無関係に, トウモロコシの異常度を判定する手法を開発した。
予備結果は、低い異常の88.89%の検出精度と100%の異常の検知精度を示している。
論文 参考訳（メタデータ） (2023-10-20T00:06:42Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Estimating Leaf Water Content using Remotely Sensed Hyperspectral Data [0.0]
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。
論文 参考訳（メタデータ） (2021-09-06T05:52:17Z) - 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) - Abiotic Stress Prediction from RGB-T Images of Banana Plantlets [15.073709640728241]
バナナ植物における無生物ストレス予測の方法と戦略について述べる。
データセットは、各植物の1日に1回撮影されるRGBと熱画像で構成されている。
論文 参考訳（メタデータ） (2020-11-23T18:15:33Z)
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。