論文の概要: Multimodal Data Integration for Sustainable Indoor Gardening: Tracking Anyplant with Time Series Foundation Model

• arxiv url: http://arxiv.org/abs/2503.21932v1
• Date: Thu, 27 Mar 2025 19:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:52.760946
• Title: Multimodal Data Integration for Sustainable Indoor Gardening: Tracking Anyplant with Time Series Foundation Model
• Title（参考訳）: 持続可能な室内園芸のためのマルチモーダルデータ統合:時系列基礎モデルによる植物追跡
• Authors: Seyed Hamidreza Nabaei, Zeyang Zheng, Dong Chen, Arsalan Heydarian,
• Abstract要約: 本稿では,コンピュータビジョン,機械学習(ML),環境センシングを統合し,植物の健康と成長を自動監視する新しいフレームワークを提案する。 従来のアプローチとは異なり、このフレームワークは、RGB画像、植物表現型データ、温度や湿度などの環境要因を組み合わせて、制御された生育環境における植物水ストレスを予測する。
• 参考スコア（独自算出の注目度）: 9.8186542545443
• License:
• Abstract: Indoor gardening within sustainable buildings offers a transformative solution to urban food security and environmental sustainability. By 2030, urban farming, including Controlled Environment Agriculture (CEA) and vertical farming, is expected to grow at a compound annual growth rate (CAGR) of 13.2% from 2024 to 2030, according to market reports. This growth is fueled by advancements in Internet of Things (IoT) technologies, sustainable innovations such as smart growing systems, and the rising interest in green interior design. This paper presents a novel framework that integrates computer vision, machine learning (ML), and environmental sensing for the automated monitoring of plant health and growth. Unlike previous approaches, this framework combines RGB imagery, plant phenotyping data, and environmental factors such as temperature and humidity, to predict plant water stress in a controlled growth environment. The system utilizes high-resolution cameras to extract phenotypic features, such as RGB, plant area, height, and width while employing the Lag-Llama time series model to analyze and predict water stress. Experimental results demonstrate that integrating RGB, size ratios, and environmental data significantly enhances predictive accuracy, with the Fine-tuned model achieving the lowest errors (MSE = 0.420777, MAE = 0.595428) and reduced uncertainty. These findings highlight the potential of multimodal data and intelligent systems to automate plant care, optimize resource consumption, and align indoor gardening with sustainable building management practices, paving the way for resilient, green urban spaces.
• Abstract（参考訳）: 持続可能な建物内の屋内ガーデニングは、都市部の食料安全保障と環境の持続可能性に対する変革的な解決策を提供する。 2030年までには、制御環境農業(CEA)や垂直農業を含む都市農業が、2024年から2030年にかけての複合的な成長率(CAGR)の13.2%で成長すると予想されている。 この成長は、IoT(Internet of Things)技術の進歩、スマートな成長システムのような持続可能なイノベーション、そしてグリーンインテリアデザインへの関心の高まりによって加速されている。 本稿では,コンピュータビジョン,機械学習(ML),環境センシングを統合し,植物の健康と成長を自動監視する新しいフレームワークを提案する。 従来のアプローチとは異なり、このフレームワークは、RGB画像、植物表現型データ、温度や湿度などの環境要因を組み合わせて、制御された生育環境における植物水ストレスを予測する。 このシステムは高解像度カメラを用いてRGB、植物面積、高さ、幅などの表現型の特徴を抽出し、ラグ・ラマ時系列モデルを用いて水ストレスを分析し予測する。 実験の結果,RGB,サイズ比,環境データの統合は予測精度を著しく向上させ,最小誤差(MSE = 0.420777, MAE = 0.595428)を達成し,不確実性を低減した。 これらの知見は、植物ケアの自動化、資源消費の最適化、屋内園芸と持続的な建物管理の実践の整合化、レジリエントでグリーンな都市空間への道を開くためのマルチモーダルデータとインテリジェントシステムの可能性を強調している。

関連論文リスト

• 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)
• Intelligent Agricultural Greenhouse Control System Based on Internet of Things and Machine Learning [0.0]
  本研究は,モノのインターネット(IoT)と機械学習の融合に根ざした,高度な農業用温室制御システムを概念化し,実行しようとする試みである。 その結果、作物の生育効率と収量が向上し、資源の浪費が減少する。
  論文  参考訳（メタデータ） (2024-02-14T09:07:00Z)
• 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)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• AI driven shadow model detection in agropv farms [0.0]
  Agro-Photovoltaic (APV) は、農業と太陽の太陽光発電プロジェクトを組み合わせた農業の実践である。 影の同定は、植物の成長、微小気候、蒸発散に影響を与えるAPV環境を理解するために重要である。 我々は最先端のCNNとGANベースのニューラルネットワークを使用して、アグロPVファームの影を検出し、その効果を実証する。
  論文  参考訳（メタデータ） (2023-04-16T18:33:20Z)
• Visual based Tomato Size Measurement System for an Indoor Farming Environment [3.176607626141415]
  本稿では,3つの低コストRGBDカメラから得られた機械学習モデルと深度画像を組み合わせたサイズ計測手法を提案する。 本システムの性能は, 実のトマト果実と偽の葉を用いた実験室環境で評価した。 我々の3カメラシステムは高さ測定精度0.9114、幅精度0.9443を達成できた。
  論文  参考訳（メタデータ） (2023-04-12T22:27:05Z)
• A Learned Simulation Environment to Model Plant Growth in Indoor Farming [0.0]
  精密農業における環境パラメータの変化が植物の成長に及ぼす影響を定量化するシミュレータを開発した。 我々のアプローチは、植物画像の処理と深部畳み込みニューラルネットワーク(CNN)、成長曲線モデリング、機械学習を組み合わせる。
  論文  参考訳（メタデータ） (2022-12-06T17:28:13Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
  植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
  論文  参考訳（メタデータ） (2021-05-17T13:00:01Z)
• 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。