論文の概要: ERIC: Estimating Rainfall with Commodity Doorbell Camera for Precision Residential Irrigation
- arxiv url: http://arxiv.org/abs/2409.13104v1
- Date: Thu, 19 Sep 2024 22:11:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-26 03:03:28.948305
- Title: ERIC: Estimating Rainfall with Commodity Doorbell Camera for Precision Residential Irrigation
- Title(参考訳): ERIC:精密住宅用ドアベルカメラによる降雨量の推定
- Authors: Tian Liu, Liuyi Jin, Radu Stoleru, Amran Haroon, Charles Swanson, Kexin Feng,
- Abstract要約: 現在最先端の住宅用灌水システムでは、近くの気象観測所から降水量を調整するために雨量データに頼っている。
我々は,コモディティドアベルカメラの映像から降雨を推定する機械学習モデルを用いて,費用対効果の高い灌水システムERICを開発した。
ERICは最先端の降水量推定性能(5mm/日)を達成し、9,112ガロン/月を節約し、月28.56ドル/月を節約できる。
- 参考スコア(独自算出の注目度): 1.3254080673392161
- License:
- Abstract: Current state-of-the-art residential irrigation systems, such as WaterMyYard, rely on rainfall data from nearby weather stations to adjust irrigation amounts. However, the accuracy of rainfall data is compromised by the limited spatial resolution of rain gauges and the significant variability of hyperlocal rainfall, leading to substantial water waste. To improve irrigation efficiency, we developed a cost-effective irrigation system, dubbed ERIC, which employs machine learning models to estimate rainfall from commodity doorbell camera footage and optimizes irrigation schedules without human intervention. Specifically, we: a) designed novel visual and audio features with lightweight neural network models to infer rainfall from the camera at the edge, preserving user privacy; b) built a complete end-to-end irrigation system on Raspberry Pi 4, costing only $75. We deployed the system across five locations (collecting over 750 hours of video) with varying backgrounds and light conditions. Comprehensive evaluation validates that ERIC achieves state-of-the-art rainfall estimation performance (~ 5mm/day), saving 9,112 gallons/month of water, translating to $28.56/month in utility savings.
- Abstract(参考訳): WaterMyYardのような現在の最先端の住宅用灌水システムでは、近くの気象観測所からの降水データを利用して灌水量を調整している。
しかし,降雨量の空間分解能の限界と過局所降雨量の大きな変動により,降雨データの精度が損なわれ,かなりの水が浪費される。
そこで我々は,コモディティ・ドアベルカメラの映像から降雨を推定する機械学習モデルを用いて,人手を介さずに灌水スケジュールを最適化する,費用対効果の高い灌水システムERICを開発した。
具体的には
a) エッジのカメラから降雨を推測し,ユーザのプライバシを保存するために,軽量なニューラルネットワークモデルを備えた新しい視覚的及び音声的特徴を設計すること。
b)Raspberry Pi 4上でのエンド・ツー・エンドの灌水システムの構築には75ドルしかかからない。
システムは5つの場所(750時間以上のビデオ)に展開し、背景や光条件も様々でした。
総合的な評価は、ERICが最先端の降水量推定性能(約5mm/日)を達成し、9,112ガロン/月を節約し、ユーティリティ・セーブで月額28.56ドルに換算できることを示している。
関連論文リスト
- 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
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) - Integrating machine learning paradigms and mixed-integer model
predictive control for irrigation scheduling [0.20999222360659603]
農業部門は水資源の保全と収穫量の最適化において大きな課題に直面している。
従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることがしばしば証明される。
本稿では,機械学習の3つのパラダイムを活用して,灌水スケジュールを最適化する予測灌水スケジューラを提案する。
論文 参考訳(メタデータ) (2023-06-14T19:38:44Z) - Optimizing Irrigation Efficiency using Deep Reinforcement Learning in
the Field [4.091593765662773]
農業用水は淡水消費に大きく寄与している。
現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。
本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
論文 参考訳(メタデータ) (2023-04-04T01:04:53Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop
Removal [103.4067418083549]
降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。
提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
論文 参考訳(メタデータ) (2021-03-12T03:00:33Z) - High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。
我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。
本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
論文 参考訳(メタデータ) (2020-12-09T17:26:43Z) - Fusion of rain radar images and wind forecasts in a deep learning model
applied to rain nowcasting [0.0]
気象予測モデルによる降雨レーダー画像と風速の融合により,深層学習モデルを訓練する。
地平線時間30分で予測する中・高降雨時の光流量をF1スコアで計算し, ネットワークの性能は8%向上した。
降雨と風力データの融合は、訓練過程の安定化にも寄与し、特に降雨の予測が難しい地域では大きな改善をもたらした。
論文 参考訳(メタデータ) (2020-12-09T12:50:06Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。
このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
論文 参考訳(メタデータ) (2020-05-19T05:52:13Z) - Data Pre-Processing and Evaluating the Performance of Several Data
Mining Methods for Predicting Irrigation Water Requirement [2.2108425580353774]
近年の干ばつや人口増加は、利用可能な限られた水資源の使用に対する前例のない需要を植え付けている。
灌水地域の水管理を改善するためには,将来的な水需要の予測モデルが必要である。
データマイニングはそのようなモデルを構築するのに効果的に利用できる。
論文 参考訳(メタデータ) (2020-03-01T05:42:04Z)
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。