論文の概要: Soil Characterization of Watermelon Field through Internet of Things: A New Approach to Soil Salinity Measurement

• arxiv url: http://arxiv.org/abs/2411.17731v1
• Date: Fri, 22 Nov 2024 09:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:27:42.339867
• Title: Soil Characterization of Watermelon Field through Internet of Things: A New Approach to Soil Salinity Measurement
• Title（参考訳）: モノのインターネットによるスイカ畑の土壌特性:土壌塩分濃度測定の新しいアプローチ
• Authors: Md. Naimur Rahman, Shafak Shahriar Sozol, Md. Samsuzzaman, Md. Shahin Hossin, Mohammad Tariqul Islam, S. M. Taohidul Islam, Md. Maniruzzaman,
• Abstract要約: 本研究の目的は,スイカ分野を対象とした知的IoTによる土壌評価システムの設計と実装である。 IoTベースの開発システムは、異なるセンサーを使用して土壌の水分、温度、pHを測定する。 土壌中の塩分濃度はスイカの収量に影響を与える。
• 参考スコア（独自算出の注目度）: 0.19474732718794505
• License:
• Abstract: In the modern agricultural industry, technology plays a crucial role in the advancement of cultivation. To increase crop productivity, soil require some specific characteristics. For watermelon cultivation, soil needs to be sandy and of high temperature with proper irrigation. This research aims to design and implement an intelligent IoT-based soil characterization system for the watermelon field to measure the soil characteristics. IoT based developed system measures moisture, temperature, and pH of soil using different sensors, and the sensor data is uploaded to the cloud via Arduino and Raspberry Pi, from where users can obtain the data using mobile application and webpage developed for this system. To ensure the precision of the framework, this study includes the comparison between the readings of the soil parameters by the existing field soil meters, the values obtained from the sensors integrated IoT system, and data obtained from soil science laboratory. Excessive salinity in soil affects the watermelon yield. This paper proposes a model for the measurement of soil salinity based on soil resistivity. It establishes a relationship between soil salinity and soil resistivity from the data obtained in the laboratory using artificial neural network (ANN).
• Abstract（参考訳）: 現代の農業産業では、技術は農業の発展において重要な役割を担っている。 作物の生産性を高めるために、土壌は特定の特性を必要とする。 スイカ栽培では、土壌は砂質で、適切な灌水を伴う高温でなければならない。 本研究の目的は,スイカ畑の土壌特性を計測する知的IoTによる土壌特性評価システムの設計と実装である。 IoTベースの開発システムは、異なるセンサーを使用して土壌の水分、温度、pHを測定し、センサーデータはArduinoとRaspberry Piを介してクラウドにアップロードされる。 フレームワークの精度を確保するため,既存のフィールド土壌メータによる土壌パラメータの読み出し,センサ集積型IoTシステムから得られた値,土壌科学実験室から得られたデータの比較を行った。 土壌中の塩分濃度はスイカの収量に影響を与える。 本稿では, 比抵抗に基づく土壌塩分濃度測定モデルを提案する。 人工ニューラルネットワーク(ANN)を用いて実験室で得られたデータから,土壌塩分濃度と比抵抗の関係を確立する。

関連論文リスト

• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• 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)
• Online Non-Destructive Moisture Content Estimation of Filter Media During Drying Using Artificial Neural Networks [95.42181254494287]
  粗いろ過媒体製品の乾燥工程において, 水分量 (MC) の推定が重要である。 人工ニューラルネットワーク(ANN)に基づく手法は、文献で報告されている最先端のMC推定手法と比較する。 実験結果から, ANNとオーブン設定データ, 乾燥時間, 製品温度を組み合わせることで, バルクフィルターメディア製品のMCを確実に推定できることがわかった。
  論文  参考訳（メタデータ） (2023-03-27T19:37:53Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Impact of sensor placement in soil water estimation: A real-case study [0.0]
  カナダ・アルバータ州レスブリッジの実際の農地における土壌水分推定におけるセンサ配置の影響について検討した。 本研究では, 不均質土壌パラメータを持つ3次元農業水理モデルを開発した。 最適センサ位置を決定するために3次元システムに観測可能性のモーダル度を適用した。
  論文  参考訳（メタデータ） (2022-03-13T02:46:27Z)
• Towards a Multimodal System for Precision Agriculture using IoT and Machine Learning [0.5249805590164902]
  データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。 作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。 VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
  論文  参考訳（メタデータ） (2021-07-10T19:19:45Z)
• 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)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• 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)
• Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
  本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
  論文  参考訳（メタデータ） (2020-12-07T07:56:11Z)
• SMArtCast: Predicting soil moisture interpolations into the future using Earth observation data in a deep learning framework [0.8399688944263843]
  本研究では,衛星画像から土壌水分と植生の計測を行った。 システムは、これらの測定の将来の値を予測することを学習する。 これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
  論文  参考訳（メタデータ） (2020-03-16T23:06:14Z)

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。