論文の概要: Soil Fertility Prediction Using Combined USB-microscope Based Soil Image, Auxiliary Variables, and Portable X-Ray Fluorescence Spectrometry
- arxiv url: http://arxiv.org/abs/2404.12415v1
- Date: Wed, 17 Apr 2024 17:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 17:04:06.847565
- Title: Soil Fertility Prediction Using Combined USB-microscope Based Soil Image, Auxiliary Variables, and Portable X-Ray Fluorescence Spectrometry
- Title(参考訳): 複合型USB顕微鏡を用いた土壌画像, 補助変数, 可搬型蛍光X線分析による土壌収量予測
- Authors: Shubhadip Dasgupta, Satwik Pate, Divya Rathore, L. G. Divyanth, Ayan Das, Anshuman Nayak, Subhadip Dey, Asim Biswas, David C. Weindorf, Bin Li, Sergio Henrique Godinho Silva, Bruno Teixeira Ribeiro, Sanjay Srivastava, Somsubhra Chakraborty,
- Abstract要約: この研究は、ランダムフォレストモデルを用いて、微視的土壌画像、PXRFデータ、補助的な土壌変数(AV)から色とテクスチャを合成した。
その結果,画像特徴(IFs)と補助変数(AVs)を統合することで,B値の予測精度が有意に向上した。
IF、AV、PXRFデータを組み込んだデータ融合手法により、それぞれ0.72と0.70のR2値で利用可能なMnとSAIの予測をさらに改善した。
- 参考スコア(独自算出の注目度): 3.431158134976364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study explored the application of portable X-ray fluorescence (PXRF) spectrometry and soil image analysis to rapidly assess soil fertility, focusing on critical parameters such as available B, organic carbon (OC), available Mn, available S, and the sulfur availability index (SAI). Analyzing 1,133 soil samples from various agro-climatic zones in Eastern India, the research combined color and texture features from microscopic soil images, PXRF data, and auxiliary soil variables (AVs) using a Random Forest model. Results indicated that integrating image features (IFs) with auxiliary variables (AVs) significantly enhanced prediction accuracy for available B (R^2 = 0.80) and OC (R^2 = 0.88). A data fusion approach, incorporating IFs, AVs, and PXRF data, further improved predictions for available Mn and SAI with R^2 values of 0.72 and 0.70, respectively. The study demonstrated how these integrated technologies have the potential to provide quick and affordable options for soil testing, opening up access to more sophisticated prediction models and a better comprehension of the fertility and health of the soil. Future research should focus on the application of deep learning models on a larger dataset of soil images, developed using soils from a broader range of agro-climatic zones under field condition.
- Abstract(参考訳): 本研究では, 可溶性B, 有機炭素 (OC), Mn, 可溶性S, 硫黄利用率 (SAI) などの臨界パラメータに着目し, 可溶性X線分析および土壌画像解析による土壌肥厚の迅速評価を行った。
インド東部のアグロ・気候帯から採取した1,133個の土壌サンプルを解析し、Random Forestモデルを用いて、顕微鏡的土壌画像、PXRFデータ、補助的な土壌変数(AV)から色とテクスチャを合成した。
その結果,補助変数 (AV) と画像特徴 (IF) を統合することにより, 利用可能なB (R^2 = 0.80) とOC (R^2 = 0.88) の予測精度が有意に向上した。
IFs,AVs,PXRFデータを併用したデータ融合手法により,それぞれ0.72と0.70のR^2値で利用可能なMnとSAIの予測をさらに改善した。
この研究は、これらの統合技術が土壌試験の迅速で手頃な選択肢を提供し、より洗練された予測モデルにアクセスし、土壌の豊かさと健康をよりよく理解する可能性があることを実証した。
今後の研究は、フィールド条件下で広範囲の農業気候帯の土壌を用いて開発された、より大規模な土壌画像のデータセットにディープラーニングモデルを適用することに焦点を当てるべきである。
関連論文リスト
- 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) - Rapid detection of soil carbonates by means of NIR spectroscopy, deep
learning methods and phase quantification by powder Xray diffraction [0.0]
FT NIR分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。
1)回帰器、2)CNNなど複数の機械学習手法を利用して、それらの性能を従来のMLアルゴリズムと比較した。
論文 参考訳(メタデータ) (2023-07-23T14:32:07Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳(メタデータ) (2023-04-14T14:40:32Z) - 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) - Plant species richness prediction from DESIS hyperspectral data: A
comparison study on feature extraction procedures and regression models [1.8757823231879849]
本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。
DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。
論文 参考訳(メタデータ) (2023-01-05T05:33:56Z) - Crop Type Identification for Smallholding Farms: Analyzing Spatial,
Temporal and Spectral Resolutions in Satellite Imagery [2.624789041396596]
衛星画像の高スペクトル分解能は、低空間分解能と時間分解能の予測性能を向上させることができる。
MSTR画像のマルチスペクトルデータを用いて、HSTR画像から得られる最良の結果と比較すると、F1スコアは7%向上する。
論文 参考訳(メタデータ) (2022-05-06T09:37:38Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳(メタデータ) (2022-03-11T10:47:16Z) - 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) - 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) - Fusing Optical and SAR time series for LAI gap filling with multioutput
Gaussian processes [6.0122901245834015]
農地上の永久雲は、作物の生育の重要な段階を隠蔽し、信頼できない収量予測をもたらす。
SAR(Synthetic Aperture Radar)は、この制限を克服できるオールウェザー画像を提供する。
本稿では,マルチセンサ時系列間の統計的関係を自動的に学習する機械学習手法であるMOGP回帰(Multi-Output Gaussian Process)を提案する。
論文 参考訳(メタデータ) (2020-12-05T10:36:45Z)
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。