論文の概要: Sugarcane Health Monitoring With Satellite Spectroscopy and Machine Learning: A Review
- arxiv url: http://arxiv.org/abs/2404.16844v1
- Date: Tue, 13 Feb 2024 01:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 11:49:01.912435
- Title: Sugarcane Health Monitoring With Satellite Spectroscopy and Machine Learning: A Review
- Title(参考訳): 衛星分光と機械学習によるサトウキビの健康モニタリング
- Authors: Ethan Kane Waters, Carla Chia-Ming Chen, Mostafa Rahimi Azghadi,
- Abstract要約: このレビューは、サトウキビの健康モニタリングと、衛星分光法と機械学習(ML)を用いた病気・害虫検出における、未調査、未調査領域を掘り下げるものである。
関連衛星、植生指標、ML法、サトウキビ反射率に影響を与える要因、最適な成長条件、共通疾患、従来の検出方法など、システム開発の重要事項について論じる。
- 参考スコア(独自算出の注目度): 3.006016887654771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Research into large-scale crop monitoring has flourished due to increased accessibility to satellite imagery. This review delves into previously unexplored and under-explored areas in sugarcane health monitoring and disease/pest detection using satellite-based spectroscopy and Machine Learning (ML). It discusses key considerations in system development, including relevant satellites, vegetation indices, ML methods, factors influencing sugarcane reflectance, optimal growth conditions, common diseases, and traditional detection methods. Many studies highlight how factors like crop age, soil type, viewing angle, water content, recent weather patterns, and sugarcane variety can impact spectral reflectance, affecting the accuracy of health assessments via spectroscopy. However, these variables have not been fully considered in the literature. In addition, the current literature lacks comprehensive comparisons between ML techniques and vegetation indices. We address these gaps in this review. We discuss that, while current findings suggest the potential for an ML-driven satellite spectroscopy system for monitoring sugarcane health, further research is essential. This paper offers a comprehensive analysis of previous research to aid in unlocking this potential and advancing the development of an effective sugarcane health monitoring system using satellite technology.
- Abstract(参考訳): 大規模作物モニタリングの研究は、衛星画像へのアクセス性の向上により盛んに行われている。
このレビューは、サトウキビの健康モニタリングと、衛星ベースの分光法と機械学習(ML)を用いた病気・害虫検出において、これまで未調査、未調査領域に展開する。
関連衛星、植生指標、ML法、サトウキビ反射率に影響を与える要因、最適な成長条件、共通疾患、従来の検出方法など、システム開発の重要事項について論じる。
多くの研究は、作物の年齢、土壌の種類、視角、含水率、最近の気象パターン、サトウキビの多様性といった要因が、分光分析による健康評価の精度にどのように影響するかを強調している。
しかし、これらの変数は文献では十分に考慮されていない。
さらに、現在の文献は、ML技術と植生指標の包括的な比較を欠いている。
このレビューではこれらのギャップに対処する。
我々は、サトウキビの健康をモニタリングするML駆動の衛星分光システムの可能性を示しているが、さらなる研究は不可欠である。
本論文は,サテライト技術を用いたサトウキビ健康モニタリングシステムの開発を推進し,その可能性の解明を支援するため,過去の研究を包括的に分析するものである。
関連論文リスト
- Machine Learning for Asymptomatic Ratoon Stunting Disease Detection With Freely Available Satellite Based Multispectral Imaging [3.006016887654771]
サトウキビの病気検出は効果的な作物管理に重要である。
本研究では,様々なサトウキビ品種におけるRSDの存在を検出するために,様々な機械学習技術を用いた。
論文 参考訳(メタデータ) (2024-10-04T04:37:29Z) - Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。
最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。
以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
論文 参考訳(メタデータ) (2024-05-27T13:26:34Z) - Spectral Analysis of Marine Debris in Simulated and Observed
Sentinel-2/MSI Images using Unsupervised Classification [0.0]
本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。
その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。
これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
論文 参考訳(メタデータ) (2023-06-26T18:46:47Z) - 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) - Early Detection of Bark Beetle Attack Using Remote Sensing and Machine
Learning: A Review [7.715886336430544]
本総説では,全てのRSシステムを網羅し,その長所と短所を調査するためのML/DL手法を強調した。
我々は,多種多種多種多種多種多種多種多種多種多種多種・攻撃相・研究領域・RSプラットフォーム・センサ・スペクトル・空間・時間分解能・スペクトルシグネチャ・スペクトル植生指標・スペクトル植生指標(SVI)を解析し,その知識を抽出する。
DL法とランダムフォレスト(RF)アルゴリズムは有望な結果を示したが,効果は限定的であり,不確実性も高い。
論文 参考訳(メタデータ) (2022-10-07T21:49:26Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - A Novel CropdocNet for Automated Potato Late Blight Disease Detection
from the Unmanned Aerial Vehicle-based Hyperspectral Imagery [3.3283767441645478]
晩発病はジャガイモの作物で最も破壊的な病気の1つであり、世界中で深刻な収量減少につながっている。
作物病の診断における現在の農業慣行は、個人のバイアスを受けるコスト、時間のかかる手動の視覚検査に基づいている。
近年の撮像センサー(RGB、多重スペクトルカメラ、ハイパースペクトルカメラなど)、リモートセンシング、機械学習は、この課題に対処する機会を提供する。
論文 参考訳(メタデータ) (2021-07-28T11:18:48Z) - Applications of physics-informed scientific machine learning in
subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。
したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。
近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文 参考訳(メタデータ) (2021-04-10T13:40:22Z) - Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in
Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。
SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文 参考訳(メタデータ) (2021-03-02T16:45:08Z) - 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)
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。