論文の概要: Evaluating Sugarcane Yield Variability with UAV-Derived Cane Height under Different Water and Nitrogen Conditions

• arxiv url: http://arxiv.org/abs/2410.20880v1
• Date: Mon, 28 Oct 2024 10:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:22:24.347426
• Title: Evaluating Sugarcane Yield Variability with UAV-Derived Cane Height under Different Water and Nitrogen Conditions
• Title（参考訳）: 異なる水および窒素条件下でのUAV法によるサトウキビ収量変動の評価
• Authors: Rajiv Ranjan, Tejasavi Birdh, Nandan Mandal, Dinesh Kumar, Shashank Tamaskar,
• Abstract要約: プレハーベストデジタル表面モデル(DSM)による異なる水環境下でのサトウキビ収量とサトウキビ高の関係について検討した。 農耕地は,3つの水位(低,中,高)と3つの窒素レベル(低,中,高)に基づいて62ブロックに分け,処理を繰り返した。
• 参考スコア（独自算出の注目度）: 4.158299176172298
• License:
• Abstract: This study investigates the relationship between sugarcane yield and cane height derived under different water and nitrogen conditions from pre-harvest Digital Surface Model (DSM) obtained via Unmanned Aerial Vehicle (UAV) flights over a sugarcane test farm. The farm was divided into 62 blocks based on three water levels (low, medium, and high) and three nitrogen levels (low, medium, and high), with repeated treatments. In pixel distribution of DSM for each block, it provided bimodal distribution representing two peaks, ground level (gaps within canopies) and top of the canopies respectively. Using bimodal distribution, mean cane height was extracted for each block by applying a trimmed mean to the pixel distribution, focusing on the top canopy points. Similarly, the extracted mean elevation of the base was derived from the bottom points, representing ground level. The Derived Cane Height Model (DCHM) was generated by taking the difference between the mean canopy height and mean base elevation for each block. Yield measurements (tons/acre) were recorded post-harvest for each block. By aggregating the data into nine treatment zones (e.g., high water-low nitrogen, low water-high nitrogen), the DCHM and median yield were calculated for each zone. The regression analysis between the DCHM and corresponding yields for the different treatment zones yielded an R 2 of 0.95. This study demonstrates the significant impact of water and nitrogen treatments on sugarcane height and yield, utilizing one-time UAV-derived DSM data.
• Abstract（参考訳）: 本研究では,サトウキビ試験場上での無人航空機(UAV)飛行により得られたプレハーベスト・デジタル・サーフェス・モデル(DSM)を用いて,サトウキビ収量と窒素環境下でのサトウキビの高さの関係について検討した。 農作物は3つの水位(低, 中, 高)と3つの窒素レベル(低, 中, 高)に基づいて62ブロックに分け, 繰り返し処理を行った。 ブロックごとのDSMの画素分布では,2つのピーク,地上レベル(天蓋内のギャップ)と天蓋上部のバイモーダル分布が認められた。 バイモーダル分布を用いて, 各ブロックの平均杖高さを画素分布にトリミング平均を適用し, トップキャノピー点に着目して抽出した。 同様に, 底面から底面の平均標高を導出した。 平均キャノピー高さと各ブロックの平均ベース高さの差を考慮し,DCHM(Derived Cane Height Model)を作成した。 各ブロックの収穫後の収量(トン/エーカー)が記録された。 データを9つの処理領域(例えば, 高低窒素, 低高窒素)に集約することにより, 各処理領域のDCHMおよび中央値収率を算出した。 異なる処理領域におけるDCHMと対応する収率との回帰解析の結果、R2は0.95であった。 本研究では,UAV由来DSMデータを用いて,水および窒素処理がサトウキビの身長および収量に与える影響を調べた。

関連論文リスト

• DDIL: Improved Diffusion Distillation With Imitation Learning [57.3467234269487]
  拡散モデルは生成モデリング(例:text-to-image)に優れるが、サンプリングには複数の遅延ネットワークパスが必要である。 プログレッシブ蒸留や一貫性蒸留は、パスの数を減らして将来性を示す。 DDILの一貫性は, プログレッシブ蒸留 (PD), 潜在整合モデル (LCM) および分散整合蒸留 (DMD2) のベースラインアルゴリズムにより向上することを示した。
  論文  参考訳（メタデータ） (2024-10-15T18:21:47Z)
• 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)
• Mapping Walnut Water Stress with High Resolution Multispectral UAV Imagery and Machine Learning [0.0]
  本研究では、ランダムフォレストモデル(RF)を用いて、茎水電位(SWP)をマッピングする機械学習手法を提案する。 2017年から2018年にかけて、商業用クルミ果樹園で7バンドのマルチスペクトルカメラを搭載したUAVの5回の飛行が行われた。 直交UAV画像と気象データから得られた植生指標を利用したRF回帰モデルにより,効果的に地盤計測SWPを推定する。 RF分類モデルでは, クルミの木中の水ストレスレベルを85%の精度で予測し, 還元された分類モデルの80%を超える精度を示した。
  論文  参考訳（メタデータ） (2023-12-30T02:58:45Z)
• StereoDistill: Pick the Cream from LiDAR for Distilling Stereo-based 3D Object Detection [93.10989714186788]
  ステレオ法とLiDAR法とのギャップを狭めるため,StereoDistillというクロスモーダル蒸留法を提案する。 StereoDistillの主な設計は、回帰のためのX-component Guided Distillation(XGD)と分類のためのCLD(Cross-anchor Logit Distillation)である。
  論文  参考訳（メタデータ） (2023-01-04T13:38:48Z)
• Quantitative Assessment of DESIS Hyperspectral Data for Plant Biodiversity Estimation in Australia [1.8757823231879849]
  本研究は,DLR Earth Sensing Imaging Spectrometer (DESIS) が捉えた高スペクトルデータを用いて植物種多様性を推定する能力について検討した。 最高のパフォーマンスモデルでは、r$が0.71ドル、RMSEが5.99ドル、r$が0.62ドル、RMSEが6.20ドルである。
  論文  参考訳（メタデータ） (2022-07-06T07:14:55Z)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)

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。