論文の概要: Integrating Feature Selection and Machine Learning for Nitrogen Assessment in Grapevine Leaves using In-Field Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2507.17869v1
• Date: Wed, 23 Jul 2025 18:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.421024
• Title: Integrating Feature Selection and Machine Learning for Nitrogen Assessment in Grapevine Leaves using In-Field Hyperspectral Imaging
• Title（参考訳）: In-Field Hyperspectral Imaging を用いたグラペビン葉の窒素評価のための特徴選択と機械学習の統合
• Authors: Atif Bilal Asad, Achyut Paudel, Safal Kshetri, Chenchen Kang, Salik Ram Khanal, Nataliya Shcherbatyuk, Pierre Davadant, R. Paul Schreiner, Santosh Kalauni, Manoj Karkee, Markus Keller,
• Abstract要約: 窒素(N)はブドウ園で最も重要な栄養素の1つであり、植物の成長やワインやジュースなどのその後の製品に影響を及ぼす。 本研究では,異なるブドウ畑から採集された4種類のブドウ品種の400-1000nmの波長を持つフィールド内ハイパースペクトル画像を用いた。 葉レベルおよび天蓋レベルでN濃度を予測するモデルを開発した。
• 参考スコア（独自算出の注目度）: 0.6546249968484793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nitrogen (N) is one of the most crucial nutrients in vineyards, affecting plant growth and subsequent products such as wine and juice. Because soil N has high spatial and temporal variability, it is desirable to accurately estimate the N concentration of grapevine leaves and manage fertilization at the individual plant level to optimally meet plant needs. In this study, we used in-field hyperspectral images with wavelengths ranging from $400 to 1000nm of four different grapevine cultivars collected from distinct vineyards and over two growth stages during two growing seasons to develop models for predicting N concentration at the leaf-level and canopy-level. After image processing, two feature selection methods were employed to identify the optimal set of spectral bands that were responsive to leaf N concentrations. The selected spectral bands were used to train and test two different Machine Learning (ML) models, Gradient Boosting and XGBoost, for predicting nitrogen concentrations. The comparison of selected bands for both leaf-level and canopy-level datasets showed that most of the spectral regions identified by the feature selection methods were across both methods and the dataset types (leaf- and canopy-level datasets), particularly in the key regions, 500-525nm, 650-690nm, 750-800nm, and 900-950nm. These findings indicated the robustness of these spectral regions for predicting nitrogen content. The results for N prediction demonstrated that the ML model achieved an R square of 0.49 for canopy-level data and an R square of 0.57 for leaf-level data, despite using different sets of selected spectral bands for each analysis level. The study demonstrated the potential of using in-field hyperspectral imaging and the use of spectral data in integrated feature selection and ML techniques to monitor N status in vineyards.
• Abstract（参考訳）: 窒素(N)はブドウ園で最も重要な栄養素の1つであり、植物の成長やワインやジュースなどのその後の製品に影響を及ぼす。 土壌Nは空間的・時間的変動性が高いため、ブドウの葉のN濃度を正確に推定し、個々の植物レベルで受精を管理し、植物のニーズを最適に満たすことが望ましい。 本研究では,異なるブドウ畑から採取した4種類のブドウ品種の400〜1000nmの波長と,生育期の2つの生育期における成長段階を経たフィールド内ハイパースペクトル画像を用いて,葉レベルおよび天蓋レベルのN濃度を予測するモデルを開発した。 画像処理後, 葉N濃度に反応するスペクトル帯の最適セットを特定するために, 2つの特徴選択法が採用された。 選択されたスペクトルバンドは、窒素濃度を予測するための2つの異なる機械学習モデルであるグラディエントブースティングとXGBoostの訓練と試験に使用された。 葉レベルと天蓋レベルの両方のデータセットにおいて選択された帯域の比較により,特徴選択法によって同定されたスペクトル領域の大部分は,特に500-525nm,650-690nm,750-800nm,900-950nmの領域において,いずれの手法とデータセットタイプ(リーフおよび天蓋レベルのデータセット)にも及んでいることがわかった。 これらの結果から,これらのスペクトル領域は窒素含量の予測に頑健であることが示唆された。 N 予測の結果,解析レベル毎に選択されたスペクトル帯域の異なるセットを用いても,ML モデルは天蓋レベルのデータに対して 0.49 乗,葉レベルのデータに対して 0.57 乗の R 乗を達成できた。 この研究は、畑のN状態を監視するために、フィールド内ハイパースペクトルイメージングと、統合された特徴選択とML技術におけるスペクトルデータの利用の可能性を示した。

関連論文リスト

• Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model [1.4172975813702]
  本研究では,多スペクトルイメージングと拡張YOLOv5モデルを用いた葉の異常セグメンテーションのためのディープラーニングフレームワークを提案する。 このモデルは、9チャンネルのマルチスペクトル入力を処理するために調整されており、微妙で空間的に分散した症状をより正確に捉えるために自己注意機構を使用している。
  論文  参考訳（メタデータ） (2025-07-18T15:25:36Z)
• 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)
• Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging [5.905721043072562]
  イチゴやトマトなどの特産作物の成熟度分類は、農業の下流における重要な活動である。 近年のDeep Learningの進歩は、成熟度分類のためのカラー画像の奨励的な結果を生み出している。 成熟度分類のための特徴抽出法を提案する。
  論文  参考訳（メタデータ） (2024-05-16T10:01:16Z)
• 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)
• Generating high-quality 3DMPCs by adaptive data acquisition and NeREF-based radiometric calibration with UGV plant phenotyping system [3.7387019397567793]
  本研究では, 適応データ取得とラジオメトリックキャリブレーションにより高品質な3DMPCを生産する手法を提案する。 プラント全体のデータの完全性は、固定された視点のみと比較して平均23.6%向上した。 3Dキャリブレーションプラント3DMPCは、クロロフィル含有量のPLSRの予測精度を向上し、R2では平均0.07、RMSEでは平均21.25%向上した。
  論文  参考訳（メタデータ） (2023-05-11T12:59:21Z)
• 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)
• Plant species richness prediction from DESIS hyperspectral data: A comparison study on feature extraction procedures and regression models [2.847789554498696]
  本研究は,オーストラリア南東部の2種類の異なる生息地における植物種の豊かさを予測するためのDSISハイパースペクトルデータの有用性を定量的に評価した。 DESISスペクトル帯の相対的重要性分析により,赤縁,赤,青のスペクトル領域は,緑帯や近赤外帯よりも植物種の豊かさを予測する上で重要であることが示された。 また,植物種多様性の予測において,DSISハイパースペクトルデータの方がSentinel-2マルチスペクトルデータよりも優れていた。
  論文  参考訳（メタデータ） (2023-01-05T05:33:56Z)
• 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)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• Retrieval of aboveground crop nitrogen content with a hybrid machine learning method [5.6740282691255075]
  ハイパースペクトル取得は、窒素(N)含有量を推定するための最も有益な地球観測データソースであることが証明されています。 過去には、この生化学植物成分に関する情報をキャノピー反射から得るために、経験的アルゴリズムが広く用いられてきた。 本研究では,物理ベースアプローチと機械学習回帰を組み合わせ,作物N含有量を推定するハイブリッド検索手法を提案する。
  論文  参考訳（メタデータ） (2020-12-07T13:06:59Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。