論文の概要: A text-based, generative deep learning model for soil reflectance spectrum simulation in the VIS-NIR (400-2499 nm) bands
- arxiv url: http://arxiv.org/abs/2405.01060v1
- Date: Thu, 2 May 2024 07:34:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 17:33:31.602214
- Title: A text-based, generative deep learning model for soil reflectance spectrum simulation in the VIS-NIR (400-2499 nm) bands
- Title（参考訳）: VIS-NIR(400-2499 nm)帯における土壌反射スペクトルシミュレーションのためのテキストベース生成深層学習モデル
- Authors: Tong Lei, Brian N. Bailey,
- Abstract要約: 本稿では,土壌特性入力に基づく土壌反射スペクトルシミュレーションのためのデータ駆動型土壌光学生成モデル(SOGM)を提案する。
このモデルは、17のデータセットから約180,000の土壌スペクトル-プロパティペアからなる広範囲なデータセットに基づいて訓練される。
PROSAILのようなリモートセンシング研究に使用される土壌・植物放射線モデルと容易に統合できる。
- 参考スコア（独自算出の注目度）: 1.6114012813668932
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating soil reflectance spectra is invaluable for soil-plant radiative modeling and training machine learning models, yet it is difficult as the intricate relationships between soil structure and its constituents. To address this, a fully data-driven soil optics generative model (SOGM) for simulation of soil reflectance spectra based on soil property inputs was developed. The model is trained on an extensive dataset comprising nearly 180,000 soil spectra-property pairs from 17 datasets. It generates soil reflectance spectra from text-based inputs describing soil properties and their values rather than only numerical values and labels in binary vector format. The generative model can simulate output spectra based on an incomplete set of input properties. SOGM is based on the denoising diffusion probabilistic model (DDPM). Two additional sub-models were also built to complement the SOGM: a spectral padding model that can fill in the gaps for spectra shorter than the full visible-near-infrared range (VIS-NIR; 400 to 2499 nm), and a wet soil spectra model that can estimate the effects of water content on soil reflectance spectra given the dry spectrum predicted by the SOGM. The SOGM was up-scaled by coupling with the Helios 3D plant modeling software, which allowed for generation of synthetic aerial images of simulated soil and plant scenes. It can also be easily integrated with soil-plant radiation model used for remote sensin research like PROSAIL. The testing results of the SOGM on new datasets that not included in model training proved that the model can generate reasonable soil reflectance spectra based on available property inputs. The presented models are openly accessible on: https://github.com/GEMINI-Breeding/SOGM_soil_spectra_simulation.
- Abstract（参考訳）: 土壌反射スペクトルのシミュレーションは, 土壌-植物放射モデルおよび機械学習モデルの訓練には有用であるが, 土壌構造とその構成成分の複雑な関係は困難である。
そこで, 土壌特性入力に基づく土壌反射スペクトルシミュレーションのための完全データ駆動型土壌光学生成モデル(SOGM)を開発した。
このモデルは、17のデータセットから約180,000の土壌スペクトル-プロパティペアからなる広範囲なデータセットに基づいて訓練される。
二進ベクトル形式の数値やラベルだけでなく、土壌特性とその値を記述するテキストベースの入力から土壌反射スペクトルを生成する。
生成モデルは、入力特性の不完全なセットに基づいて出力スペクトルをシミュレートすることができる。
SOGMは拡散確率モデル(DDPM)に基づいている。
可視赤外域(VIS-NIR; 400 - 2499 nm)よりも短いスペクトルのギャップを埋めるスペクトルパディングモデルと、SOGMが予測した乾燥スペクトルから土壌反射スペクトルに含水の影響を推定する湿潤土壌スペクトルモデルである。
SOGMは、シミュレーションされた土壌と植物シーンの合成空中画像の生成を可能にするHelios 3Dプラントモデリングソフトウェアと組み合わせて、スケールアップされた。
また、PROSAILのようなリモートセンシング研究に用いられる土壌・植物放射線モデルと容易に統合することができる。
モデルトレーニングに含まれない新しいデータセットに対するSOGMの試験結果から、モデルが利用可能なプロパティ入力に基づいて妥当な土壌反射スペクトルを生成できることが判明した。
提示されたモデルは、https://github.com/GEMINI-Breeding/SOGM_soil_spectra_simulationで公開されている。
関連論文リスト
- SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチ時間データセットであるSpectralEarthを紹介する。
我々は、最先端の自己教師付き学習(SSL)アルゴリズムを用いて、SpectralEarthの一連の基礎モデルを事前訓練する。
我々は、土地被覆と収穫型マッピングのための4つの下流データセットを構築し、モデル評価のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2024-08-15T22:55:59Z) - Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。
インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
論文 参考訳（メタデータ） (2024-04-17T17:57:20Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。
このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
論文 参考訳（メタデータ） (2024-03-22T17:11:47Z) - 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 Machine Learning Data Fusion Model for Soil Moisture Retrieval [0.6675805308519986]
深層学習に基づく畳み込み回帰モデルを構築し, 上部5cmの土壌の体積含水率を推定する。
入力予測器には、Sentinel-1(アクティブレーダ)、Sentinel-2(光学画像)、SMAP(パッシブレーダ)がある。
論文 参考訳（メタデータ） (2022-06-20T08:55:42Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - 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) - Cycle-StarNet: Bridging the gap between theory and data by leveraging
large datasets [0.0]
現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。
本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
論文 参考訳（メタデータ） (2020-07-06T23:06:58Z)
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。