論文の概要: Improved Classification of Nitrogen Stress Severity in Plants Under Combined Stress Conditions Using Spatio-Temporal Deep Learning Framework

• arxiv url: http://arxiv.org/abs/2509.06625v1
• Date: Mon, 08 Sep 2025 12:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.129053
• Title: Improved Classification of Nitrogen Stress Severity in Plants Under Combined Stress Conditions Using Spatio-Temporal Deep Learning Framework
• Title（参考訳）: 時空間深層学習フレームワークを用いた複合ストレス条件下における植物の窒素ストレス重症度の改善
• Authors: Aswini Kumar Patra,
• Abstract要約: 本研究では, 複合応力環境下での窒素応力重大度を正確に分類するための新しい深層学習フレームワークを提案する。 我々のモデルは、RGB、マルチスペクトル、および2つの赤外線波長の4つの画像モダリティのユニークなブレンドを用いて、天蓋画像から幅広い生理的植物反応を捉えている。 我々のアプローチの中核は空間時間深層学習パイプラインで、畳み込みニューラルネットワーク(CNN)と組み合わせて、長期記憶(LSTM)ネットワークで画像から特徴を抽出し、時間的依存を捉える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plants in their natural habitats endure an array of interacting stresses, both biotic and abiotic, that rarely occur in isolation. Nutrient stress-particularly nitrogen deficiency-becomes even more critical when compounded with drought and weed competition, making it increasingly difficult to distinguish and address its effects. Early detection of nitrogen stress is therefore crucial for protecting plant health and implementing effective management strategies. This study proposes a novel deep learning framework to accurately classify nitrogen stress severity in a combined stress environment. Our model uses a unique blend of four imaging modalities-RGB, multispectral, and two infrared wavelengths-to capture a wide range of physiological plant responses from canopy images. These images, provided as time-series data, document plant health across three levels of nitrogen availability (low, medium, and high) under varying water stress and weed pressures. The core of our approach is a spatio-temporal deep learning pipeline that merges a Convolutional Neural Network (CNN) for extracting spatial features from images with a Long Short-Term Memory (LSTM) network to capture temporal dependencies. We also devised and evaluated a spatial-only CNN pipeline for comparison. Our CNN-LSTM pipeline achieved an impressive accuracy of 98%, impressively surpassing the spatial-only model's 80.45% and other previously reported machine learning method's 76%. These results bring actionable insights based on the power of our CNN-LSTM approach in effectively capturing the subtle and complex interactions between nitrogen deficiency, water stress, and weed pressure. This robust platform offers a promising tool for the timely and proactive identification of nitrogen stress severity, enabling better crop management and improved plant health.
• Abstract（参考訳）: 自然の生息地にある植物は、抗生物質と無生物の両方の相互作用するストレスに耐えられ、隔離されることはめったにない。 栄養ストレス、特に窒素欠乏は、干ばつや雑草の競争と混ざり合うとさらに重要になるため、その影響を識別し対処することがますます困難になる。 したがって、窒素ストレスの早期検出は、植物の健康を保護し、効果的な管理戦略を実行するために重要である。 本研究は, 複合応力環境下での窒素応力重大度を正確に分類するための新しい深層学習フレームワークを提案する。 我々のモデルは、RGB、マルチスペクトル、および2つの赤外線波長の4つの画像モダリティのユニークなブレンドを用いて、天蓋画像から幅広い生理的植物反応を捉えている。 これらの画像は、時系列データとして提供され、さまざまな水ストレスと雑草圧力の下で、窒素の可用性(低、中、高)の3レベルにわたる植物の健康を文書化しています。 このアプローチの核となるのは、空間的特徴を画像から抽出する畳み込みニューラルネットワーク(CNN)と、時間的依存関係をキャプチャするLong Short-Term Memory(LSTM)ネットワークを組み合わせた時空間ディープラーニングパイプラインである。 また, 空間のみのCNNパイプラインを考案し, 評価した。 我々のCNN-LSTMパイプラインは98%の精度を達成し、空間のみのモデルでは80.45%、それ以前に報告された機械学習では76%をはるかに上回った。 これらの結果は、窒素欠乏症、水ストレス、雑草圧力の間の微妙で複雑な相互作用を効果的に捉えるために、我々のCNN-LSTMアプローチの力に基づいて、実用的な洞察をもたらす。 この頑丈なプラットフォームは、窒素ストレスの深刻度をタイムリーかつ積極的に識別するための有望なツールを提供する。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• An Explainable Vision Transformer with Transfer Learning Combined with Support Vector Machine Based Efficient Drought Stress Identification [0.0]
  視覚変換器(ViT)は、長距離依存を捉え、複雑な空間関係を捉えるための有望な代替手段を提供する。 航空画像を用いたジャガイモの干ばつストレス検出にViTの力を利用する,説明可能なディープラーニングパイプラインを提案する。 以上の結果から, 提案手法は干ばつストレス同定の精度を高めるだけでなく, 干ばつストレスにかかわる多彩な植物の特徴にも光を当てることが示唆された。
  論文  参考訳（メタデータ） (2024-07-31T15:08:26Z)
• Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
  本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。 2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。 ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
  論文  参考訳（メタデータ） (2024-07-11T13:46:47Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• SpikingNeRF: Making Bio-inspired Neural Networks See through the Real World [19.696976370895907]
  本稿では、スパイキングニューラルネットワーク(SNN)の時間次元を放射光に合わせるスパイキングNeRFを提案する。 計算はスパイクベースで乗算のない方式に変わり、エネルギー消費を減らし、ニューロモルフィックなハードウェアで高品質な3Dレンダリングを可能にする。
  論文  参考訳（メタデータ） (2023-09-20T01:04:57Z)
• A Fast Fourier Convolutional Deep Neural Network For Accurate and Explainable Discrimination Of Wheat Yellow Rust And Nitrogen Deficiency From Sentinel-2 Time-Series Data [6.397482515605552]
  同様の症状を呈する2つの植物ストレスの高精度かつ説明可能な検出のための高速フーリエ畳み込みニューラルネットワーク(FFDNN)を提案する。
  論文  参考訳（メタデータ） (2023-06-29T16:23:04Z)
• 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)
• 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)
• Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning [0.41998444721319217]
  我々は,視覚的時間パターンを学習し,水ストレスカテゴリーを高い信頼性で予測するLSTM-CNNアーキテクチャを開発した。 提案したモデルは,JG-62ではtextbf98.52%,Pusa-372ではtextbf97.78%の天井レベル分類性能,およびチクピー植物データであった。
  論文  参考訳（メタデータ） (2021-04-16T06:23:19Z)

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。