論文の概要: Information Fusion in Smart Agriculture: Machine Learning Applications and Future Research Directions

• arxiv url: http://arxiv.org/abs/2405.17465v2
• Date: Tue, 18 Mar 2025 17:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 16:29:09.74736
• Title: Information Fusion in Smart Agriculture: Machine Learning Applications and Future Research Directions
• Title（参考訳）: スマート農業における情報融合 : 機械学習応用と今後の研究方向
• Authors: Aashu Katharria, Kanchan Rajwar, Millie Pant, Juan D. Velásquez, Václav Snášel, Kusum Deep,
• Abstract要約: レビューでは、機械学習(ML)技術とマルチソースデータ融合が組み合わさって、予測精度と意思決定を改善して精度の高い農業を強化する方法について論じている。 このレビューはAI研究と農業応用のギャップを埋め、研究者、産業専門家、政策立案者に情報融合とMLを利用して精密農業を推進するためのロードマップを提供する。
• 参考スコア（独自算出の注目度）: 6.060623947643556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) is a rapidly evolving technology with expanding applications across various fields. This paper presents a comprehensive survey of recent ML applications in agriculture for sustainability and efficiency. Existing reviews mainly focus on narrow subdomains or lack a fusion-driven perspectives. This study provides a combined analysis of ML applications in agriculture, structured around five key objectives: (i) Analyzing ML techniques across pre-harvesting, harvesting, and post-harvesting phases. (ii) Demonstrating how ML can be used with agricultural data and data fusion. (iii) Conducting a bibliometric and statistical analysis to reveal research trends and activity. (iv) Investigating real-world case studies of leading artificial intelligence (AI)-driven agricultural companies that use different types of multisensors and multisource data. (v) Compiling publicly available datasets to support ML model training. Going beyond existing previous reviews, this review focuses on how machine learning (ML) techniques, combined with multi-source data fusion (integrating remote sensing, IoT, and climate analytics), enhance precision agriculture by improving predictive accuracy and decision-making. Case studies and statistical insights illustrate the evolving landscape of AI driven smart farming, while future research directions also discusses challenges associated with data fusion for heterogeneous datasets. This review bridges the gap between AI research and agricultural applications, offering a roadmap for researchers, industry professionals, and policymakers to harness information fusion and ML for advancing precision agriculture.
• Abstract（参考訳）: 機械学習(ML)は、様々な分野にまたがるアプリケーションを拡張する、急速に進化する技術である。 本稿では,近年の農業におけるサステナビリティと効率化のためのML応用に関する包括的調査を行う。 既存のレビューは主に狭いサブドメインに焦点を当てるか、融合駆動の視点を欠いている。 本研究は,農業におけるMLの応用を総合的に分析する。 一 前収穫期、収穫期及び後収穫期におけるML手法の分析。 二 農業データ及びデータ融合でMLをどのように使用できるかを示すこと。 三 研究動向及び活動を明らかにするために、文献学的及び統計学的分析を行うこと。 四 異なる種類のマルチセンサとマルチソースデータを使用する先進的人工知能(AI)主導の農業企業の実例調査。 (v) MLモデルのトレーニングをサポートするために、公開データセットをコンパイルする。 これまでのレビューを超えて、このレビューでは、機械学習(ML)技術とマルチソースデータ融合(リモートセンシング、IoT、気候分析を統合する)を組み合わせることで、予測精度と意思決定を改善することによって、精密農業を向上する方法に焦点を当てている。 ケーススタディと統計的洞察は、AIによって駆動されるスマート農業の進化する状況を示す一方、将来の研究方向性は、異種データセットのデータ融合に関わる課題についても論じている。 このレビューはAI研究と農業応用のギャップを埋め、研究者、産業専門家、政策立案者に情報融合とMLを利用して精密農業を推進するためのロードマップを提供する。

関連論文リスト

• Multimodal Agricultural Agent Architecture (MA3): A New Paradigm for Intelligent Agricultural Decision-Making [32.62816270192696]
  現代の農業は生産効率を最適化し、持続可能な開発を達成するという2つの課題に直面している。 これらの課題に対処するために,本研究では,革新的なtextbfMultimodal textbfAgricultural textbfAgent textbfArchitecture (textbfMA3)を提案する。 本研究では、分類、検出、視覚質問応答(VQA)、ツール選択、エージェント評価の5つの主要なタスクを含むマルチモーダル農業エージェントデータセットを構築した。
  論文  参考訳（メタデータ） (2025-04-07T07:32:41Z)
• A Multimodal Benchmark Dataset and Model for Crop Disease Diagnosis [5.006697347461899]
  本稿では,農学研究の分野を開拓するための先駆的資源である作物病領域マルチモーダルデータセットについて紹介する。 このデータセットは、さまざまな作物の病気の画像13万7000枚と、幅広い農業知識にまたがる100万の質問と回答のペアで構成されている。 我々は,最先端のマルチモーダルモデルを微調整し,作物病診断の大幅な改善を示すことにより,データセットの有用性を実証する。
  論文  参考訳（メタデータ） (2025-03-10T06:37:42Z)
• Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
  AI生成メディアを検出する方法は急速に進化してきた。 MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。 倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
  論文  参考訳（メタデータ） (2025-02-07T12:18:20Z)
• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• Enhancing Agricultural Machinery Management through Advanced LLM Integration [0.7366405857677226]
  人工知能の農業実践への統合は、農業における効率性と持続可能性に革命をもたらす可能性がある。 本稿では,大規模言語モデル(LLM),特にGPT-4を活用して,農業機械経営における意思決定プロセスを強化する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T06:49:55Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• 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)
• Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
  デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-12-06T11:38:26Z)
• On the Opportunities of Green Computing: A Survey [80.21955522431168]
  人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。 高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。 コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
  論文  参考訳（メタデータ） (2023-11-01T11:16:41Z)
• Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review [0.0]
  農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。 本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
  論文  参考訳（メタデータ） (2023-06-07T16:13:16Z)
• Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
  我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。 本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。 我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
  論文  参考訳（メタデータ） (2023-05-03T05:16:54Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• AGI for Agriculture [30.785325834651644]
  人工知能(AGI)は、医療、金融、交通、教育など様々な分野に革命をもたらす。 本稿では,農業における農業画像処理,自然言語処理(NLP),ロボット工学,知識グラフ,インフラなどのAGIの今後の応用について述べる。
  論文  参考訳（メタデータ） (2023-04-12T19:39:49Z)
• Affordable Artificial Intelligence -- Augmenting Farmer Knowledge with AI [1.9992810351494297]
  本稿では,農地の微小気候を予測するためのAI技術について述べる。 この出版物は2016年に開始され、FAOとITUが共同で制作したE-agriculture in Actionシリーズの第5弾である。 農業における既存のAIアプリケーションに対する認識を高め、ステークホルダーに新しいものの開発と複製を促すことを目的としている。
  論文  参考訳（メタデータ） (2023-03-04T02:29:52Z)
• Seeing biodiversity: perspectives in machine learning for wildlife conservation [49.15793025634011]
  機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
  論文  参考訳（メタデータ） (2021-10-25T13:40:36Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Polymer Informatics: Current Status and Critical Next Steps [1.3238373064156097]
  サロゲートモデルは、インスタントプロパティ予測のために利用可能なポリマーデータに基づいて訓練される。 データ駆動型戦略は, 高分子の化学的, 物理的多様性から生じる特異な課題に, 小規模かつ大規模に対処するものである。 アプリケーションターゲットを満たす高度なAIアルゴリズムを用いて, 高分子レコメンデーションを行う逆問題の解法について検討している。
  論文  参考訳（メタデータ） (2020-11-01T14:17:22Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis [110.30849704592592]
  本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。 各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。 農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
  論文  参考訳（メタデータ） (2020-01-05T20:19:33Z)

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。