論文の概要: Remote Sensing Based Crop Health Classification Using NDVI and Fully Connected Neural Networks

• arxiv url: http://arxiv.org/abs/2504.10522v1
• Date: Fri, 11 Apr 2025 13:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:06:54.464861
• Title: Remote Sensing Based Crop Health Classification Using NDVI and Fully Connected Neural Networks
• Title（参考訳）: NDVIと完全連結ニューラルネットワークを用いたリモートセンシングによる作物の健康分類
• Authors: J. Judith, R. Tamilselvi, M. Parisa Beham, S. Sathiya Pandiya Lakshmi, Alavikunhu Panthakkan, Saeed Al Mansoori, Hussain Al Ahmad,
• Abstract要約: そこで本研究では,NDVIデータとFCNN(Fully Connected Neural Network)を組み合わせることにより,作物の健康状態をより高精度に分類する手法を提案する。 FCNNは、さまざまな農業地帯の衛星画像を用いて訓練され、健康な作物、さびに感染した植物、その他のストレスのある環境の微妙な区別を識別することができる。 深層学習を用いてNDVI値と作物の健康との関係をマッピングする能力は,農業分野のリアルタイム,大規模モニタリングに新たな機会をもたらす。
• 参考スコア（独自算出の注目度）: 0.9906919671484384
• License:
• Abstract: Accurate crop health monitoring is not only essential for improving agricultural efficiency but also for ensuring sustainable food production in the face of environmental challenges. Traditional approaches often rely on visual inspection or simple NDVI measurements, which, though useful, fall short in detecting nuanced variations in crop stress and disease conditions. In this research, we propose a more sophisticated method that leverages NDVI data combined with a Fully Connected Neural Network (FCNN) to classify crop health with greater precision. The FCNN, trained using satellite imagery from various agricultural regions, is capable of identifying subtle distinctions between healthy crops, rust-affected plants, and other stressed conditions. Our approach not only achieved a remarkable classification accuracy of 97.80% but it also significantly outperformed conventional models in terms of precision, recall, and F1-scores. The ability to map the relationship between NDVI values and crop health using deep learning presents new opportunities for real-time, large-scale monitoring of agricultural fields, reducing manual efforts, and offering a scalable solution to address global food security.
• Abstract（参考訳）: 正確な作物の健康モニタリングは、農業効率の向上だけでなく、環境問題に直面した持続可能な食料生産の確保にも不可欠である。 従来のアプローチでは、視覚検査や単純なNDVI測定に頼っていることが多いが、作物のストレスや病気の病態の微妙な変化を検出するには不十分である。 本研究では,NDVIデータとFCNN(Fully Connected Neural Network)を組み合わせることで,作物の健康状態をより高精度に分類する手法を提案する。 FCNNは、さまざまな農業地帯の衛星画像を用いて訓練され、健康な作物、さびに感染した植物、その他のストレスのある環境の微妙な区別を識別することができる。 我々の手法は97.80%の顕著な分類精度を達成しただけでなく、精度、リコール、F1スコアの点で従来のモデルよりも大幅に優れていた。 深層学習を用いてNDVI値と作物の健康との関係をマッピングする能力は、農業分野のリアルタイム、大規模モニタリング、手作業の削減、グローバルな食料安全保障に対処するためのスケーラブルなソリューションを提供する新たな機会を提供する。

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)
• Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
  植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。 各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。 本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:44:49Z)
• Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
  病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。 ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-22T21:15:12Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
  本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。 複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。 本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
  論文  参考訳（メタデータ） (2022-09-29T18:25:48Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• The channel-spatial attention-based vision transformer network for automated, accurate prediction of crop nitrogen status from UAV imagery [2.2543220665761026]
  窒素 (N) 肥料は農夫が収穫量を増やすために常用する。 作物のN状態の正確なタイムリーな推定は、収穫システムの経済的・環境的持続可能性の向上に不可欠である。 リモートセンシングと機械学習の最近の進歩は、前述の課題に非破壊的に対処する上で有望であることを示している。 コムギ畑のUAVから収集した大画像から作物Nのステータスを推定するためのチャネル空間の注意に基づく視覚変換器(CSVT)を提案する。
  論文  参考訳（メタデータ） (2021-11-12T17:48:44Z)
• 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)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)
• UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture [0.8399688944263843]
  本稿では,深層学習技術に基づく新しい衛星画像補正フレームワークを提案する。 無人航空機(UAV)が取得した高解像度画像から得られる情報を適切に活用する。 セラルンガ・ダルバ (Serralunga d'Alba) のブドウ園は、検証のためのケーススタディとして選ばれた。
  論文  参考訳（メタデータ） (2020-04-29T18:34:48Z)

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。