論文の概要: Evaluation of UAV-Based RGB and Multispectral Vegetation Indices for Precision Agriculture in Palm Tree Cultivation

• arxiv url: http://arxiv.org/abs/2505.07840v1
• Date: Tue, 06 May 2025 11:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.21103
• Title: Evaluation of UAV-Based RGB and Multispectral Vegetation Indices for Precision Agriculture in Palm Tree Cultivation
• Title（参考訳）: パームツリー栽培における精密農業のためのUAVベースRGBおよびマルチスペクトル植生指標の評価
• Authors: Alavikunhu Panthakkan, S M Anzar, K. Sherin, Saeed Al Mansoori, Hussain Al-Ahmad,
• Abstract要約: 精密農業は、作物の生産性を高め、持続可能な農業慣行を促進するために、正確な植生モニタリングに依存している。 本研究では,ドバイのヤシの木栽培地域における植生健康評価のためのUAV画像の総合評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Precision farming relies on accurate vegetation monitoring to enhance crop productivity and promote sustainable agricultural practices. This study presents a comprehensive evaluation of UAV-based imaging for vegetation health assessment in a palm tree cultivation region in Dubai. By comparing multispectral and RGB image data, we demonstrate that RGBbased vegetation indices offer performance comparable to more expensive multispectral indices, providing a cost-effective alternative for large-scale agricultural monitoring. Using UAVs equipped with multispectral sensors, indices such as NDVI and SAVI were computed to categorize vegetation into healthy, moderate, and stressed conditions. Simultaneously, RGB-based indices like VARI and MGRVI delivered similar results in vegetation classification and stress detection. Our findings highlight the practical benefits of integrating RGB imagery into precision farming, reducing operational costs while maintaining accuracy in plant health monitoring. This research underscores the potential of UAVbased RGB imaging as a powerful tool for precision agriculture, enabling broader adoption of data-driven decision-making in crop management. By leveraging the strengths of both multispectral and RGB imaging, this work advances the state of UAV applications in agriculture, paving the way for more efficient and scalable farming solutions.
• Abstract（参考訳）: 精密農業は、作物の生産性を高め、持続可能な農業慣行を促進するために、正確な植生モニタリングに依存している。 本研究では,ドバイのヤシの木栽培地域における植生健康評価のためのUAV画像の総合評価を行った。 マルチスペクトルとRGBの画像データを比較することで、RGBベースの植生指標がより高価なマルチスペクトル指標に匹敵する性能を提供し、大規模農業モニタリングのコスト効率の良い代替手段を提供することを示した。 マルチスペクトルセンサを搭載したUAVを用いて、NDVIやSAVIなどの指標を計算し、植生を健康で適度でストレスのある状態に分類した。 同時に、VARIやMGRVIのようなRGBベースの指標も、植生分類やストレス検出において同様の結果をたらした。 本研究は,RGBイメージを精密農業に統合し,プラントの健康モニタリングの精度を維持しつつ,運用コストを削減できることの実用的メリットを浮き彫りにした。 この研究は、精密農業の強力なツールとしてのUAVベースのRGBイメージングの可能性を強調し、作物管理におけるデータ駆動意思決定の広範な採用を可能にした。 マルチスペクトルとRGBイメージングの両方の長所を活用することで、この研究は農業におけるUAV応用の状況を改善し、より効率的でスケーラブルな農業ソリューションへの道を開く。

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)
• 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)
• 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)
• 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)
• Supervised learning for crop/weed classification based on color and texture features [0.0]
  本研究では,大豆および雑草の識別における色彩と食感の特徴について検討した。 無人航空機(UAV)から得られた大豆のイメージデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-06-19T22:31:54Z)
• 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)
• 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。