論文の概要: Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery

• arxiv url: http://arxiv.org/abs/2504.19996v1
• Date: Mon, 28 Apr 2025 17:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.531632
• Title: Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery
• Title（参考訳）: センチネル-2衛星画像による農作物の消化処理のモニタリング
• Authors: Andreas Kalogeras, Dimitrios Bormpoudakis, Iason Tsardanidis, Dimitra A. Loka, Charalampos Kontoes,
• Abstract要約: 本研究は,土壌の肥大化を図り,環境リスクを生じさせる光学式Sentinel-2衛星画像による消化処理の検出について検討した。 最初の例では、特定の指標(EOMI、NDVI、EVI)のSentinel-2衛星画像時系列(SITS)分析を用いて、EOMのスペクトル挙動を特徴づけた。 機械学習(ML)モデルは消化の有無を調査するために用いられ、F1スコアは最大0.85まで達成された。
• 参考スコア（独自算出の注目度）: 1.2670268797931266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread use of Exogenous Organic Matter in agriculture necessitates monitoring to assess its effects on soil and crop health. This study evaluates optical Sentinel-2 satellite imagery for detecting digestate application, a practice that enhances soil fertility but poses environmental risks like microplastic contamination and nitrogen losses. In the first instance, Sentinel-2 satellite image time series (SITS) analysis of specific indices (EOMI, NDVI, EVI) was used to characterize EOM's spectral behavior after application on the soils of four different crop types in Thessaly, Greece. Furthermore, Machine Learning (ML) models (namely Random Forest, k-NN, Gradient Boosting and a Feed-Forward Neural Network), were used to investigate digestate presence detection, achieving F1-scores up to 0.85. The findings highlight the potential of combining remote sensing and ML for scalable and cost-effective monitoring of EOM applications, supporting precision agriculture and sustainability.
• Abstract（参考訳）: 農業における外来有機物の利用は、土壌や作物の健康への影響を評価するために監視を必要とする。 本研究は, 微生物汚染や窒素損失などの環境リスクを生じさせるが, 土壌の肥育性を高めるための光学式センチネル2衛星画像の評価を行った。 最初の例では、ギリシャのテッサリアの4種類の作物の土壌に適用した後、EOMのスペクトル挙動を特徴付けるために、特定の指標(EOMI、NDVI、EVI)のSentinel-2衛星画像時系列解析(SITS)が用いられた。 さらに、機械学習(ML)モデル(Random Forest、k-NN、Gradient Boosting、Feed-Forward Neural Network)を消化の有無の検出に使用し、F1スコアを最大0.85まで達成した。 この結果は、EOMアプリケーションのスケーラブルで費用対効果の高いモニタリングのためにリモートセンシングとMLを組み合わせる可能性を強調し、精密農業と持続可能性をサポートする。

関連論文リスト

• Mapping of Weed Management Methods in Orchards using Sentinel-2 and PlanetScope Data [36.205487938326556]
  衛星画像時系列(SITS)データを用いた果樹園における雑草管理手法のマッピングのためのML手法を開発した。 その結果,果樹園における雑草管理マッピングの効率と精度を高めるため,ML駆動型リモートセンシングの可能性が示された。
  論文  参考訳（メタデータ） (2025-04-28T17:09:10Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Enhancing Sentinel-2 Image Resolution: Evaluating Advanced Techniques based on Convolutional and Generative Neural Networks [44.99833362998488]
  本稿では,高分解能化技術を用いてスペクトル情報を含むセンチネル2バンドにおける空間分解能の2。 最先端CNNモデルは、品質と実現可能性の観点から強化されたGANアプローチと比較される。 GANベースのモデルは、明瞭で詳細な画像を提供するだけでなく、定量的評価の観点からも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-01T08:56:46Z)
• 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)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• Spectral Analysis of Marine Debris in Simulated and Observed Sentinel-2/MSI Images using Unsupervised Classification [0.0]
  本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。 その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。 これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2023-06-26T18:46:47Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• 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)

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。