論文の概要: Accessing the Effect of Phyllotaxy and Planting Density on Light Use Efficiency in Field-Grown Maize using 3D Reconstructions

• arxiv url: http://arxiv.org/abs/2503.06887v1
• Date: Mon, 10 Mar 2025 03:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:48:22.395168
• Title: Accessing the Effect of Phyllotaxy and Planting Density on Light Use Efficiency in Field-Grown Maize using 3D Reconstructions
• Title（参考訳）: 3次元再構成による野生トウモロコシの光利用効率に及ぼすフィロタキシーと植林密度の影響
• Authors: Nasla Saleem, Talukder Zaki Jubery, Aditya Balu, Yan Zhou, Yawei Li, Patrick S. Schnable, Adarsh Krishnamurthy, Baskar Ganapathysubramanian,
• Abstract要約: 本研究では,光合成能動放射(PAR)モデルを用いて実生トウモロコシの3次元再構成を行った。 本フレームワークを用いて,キャノピー配向,植物および行間隔,および行方向がPARインターセプションに与える影響を詳細に解析した。
• 参考スコア（独自算出の注目度）: 16.27322651520103
• License:
• Abstract: High-density planting is a widely adopted strategy to enhance maize productivity, yet it introduces challenges such as increased interplant competition and shading, which can limit light capture and overall yield potential. In response, some maize plants naturally reorient their canopies to optimize light capture, a process known as canopy reorientation. Understanding this adaptive response and its impact on light capture is crucial for maximizing agricultural yield potential. This study introduces an end-to-end framework that integrates realistic 3D reconstructions of field-grown maize with photosynthetically active radiation (PAR) modeling to assess the effects of phyllotaxy and planting density on light interception. In particular, using 3D point clouds derived from field data, virtual fields for a diverse set of maize genotypes were constructed and validated against field PAR measurements. Using this framework, we present detailed analyses of the impact of canopy orientations, plant and row spacings, and planting row directions on PAR interception throughout a typical growing season. Our findings highlight significant variations in light interception efficiency across different planting densities and canopy orientations. By elucidating the relationship between canopy architecture and light capture, this study offers valuable guidance for optimizing maize breeding and cultivation strategies across diverse agricultural settings.
• Abstract（参考訳）: 高密度プランティングは、トウモロコシの生産性を高めるために広く採用されている戦略であるが、植物間競争の激化や、光捕獲や全体的な収量ポテンシャルを制限するシェーディングといった課題も導入されている。 これに反応して、いくつかのトウモロコシの植物は自然に天蓋を向きを変えて光の捕獲を最適化する。 この適応応答と光捕捉への影響を理解することは、農業収量ポテンシャルの最大化に不可欠である。 本研究では,実生トウモロコシのリアルな3次元再構成と光合成能動放射(PAR)モデリングを統合し,植物学および植林密度が光遮断に及ぼす影響を評価する。 特に,フィールドデータから得られる3次元点雲を用いて,多種多様なトウモロコシの遺伝子型に対する仮想場を構築し,フィールドPAR測定に対して検証した。 本フレームワークを用いて,典型的な生育期を通じて,キャノピー配向,植物および行間隔,および行方向がPARインターセプションに及ぼす影響を詳細に解析した。 本研究は, 異なる植林密度と天蓋方位にまたがる光遮断効率の有意な変動を明らかにした。 本研究は,多種多様な農業環境におけるトウモロコシの育種と栽培戦略を最適化するための貴重なガイダンスを提供する。

関連論文リスト

• Procedural Generation of 3D Maize Plant Architecture from LIDAR Data [16.458252508124794]
  本研究では,LiDAR点クラウドデータからトウモロコシ(Zea mays)植物の3Dプロシージャモデルを生成するための堅牢なフレームワークを提案する。 本フレームワークは非一様合理的B-スプライン(NURBS)表面を利用してトウモロコシの葉をモデル化する。
  論文  参考訳（メタデータ） (2025-01-21T22:53:09Z)
• 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)
• AlignMiF: Geometry-Aligned Multimodal Implicit Field for LiDAR-Camera Joint Synthesis [98.3959800235485]
  近年,複数のモダリティを単一のフィールド内で探索する手法がいくつか存在しており,異なるモダリティから暗黙的な特徴を共有して再現性能を向上させることを目的としている。 本研究では,LiDAR-カメラ共同合成の多モード暗黙的場に関する包括的解析を行い,その根底にある問題はセンサの誤配にあることを示した。 幾何学的に整合した多モード暗黙の場であるAlignMiFを導入し,2つのモジュール,Geometry-Aware Alignment (GAA) とShared Geometry Initialization (SGI)を提案する。
  論文  参考訳（メタデータ） (2024-02-27T13:08:47Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [30.27773980916216]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery [5.914742040076052]
  本研究では, 深層学習と画素ベース機械学習を用いて, 精密農業のためのラベンダーフィールドを正確に分別する。 我々の微調整最終モデルであるU-Netアーキテクチャは、Dice係数 0.8324 を達成することができる。
  論文  参考訳（メタデータ） (2023-11-25T20:26:11Z)
• High-fidelity 3D Reconstruction of Plants using Neural Radiance Field [10.245620447865456]
  そこで本研究では,生産環境からの植物画像を構成する新しい植物データセットを提案する。 このデータセットは、農業の文脈におけるNeRFの利点と限界を包括的に探求することを目的とした、先駆的なイニシアチブである。
  論文  参考訳（メタデータ） (2023-11-07T17:31:27Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• 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)
• 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)

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。