論文の概要: SoilSound: Smartphone-based Soil Moisture Estimation

• arxiv url: http://arxiv.org/abs/2509.09823v1
• Date: Thu, 11 Sep 2025 19:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.908903
• Title: SoilSound: Smartphone-based Soil Moisture Estimation
• Title（参考訳）: SoilSound:スマートフォンによる土壌水分の推定
• Authors: Yixuan Gao, Tanvir Ahmed, Shuang He, Zhongqi Cheng, Rajalakshmi Nandakumar,
• Abstract要約: 土壌水分モニタリングは農業と環境管理に不可欠である。 既存の方法は、土壌を乱す侵入プローブか、特定の機器を必要とし、公共へのアクセスを制限している。 SoilSoundは、土壌を乱すことなく土壌の水分を計測できるスマートフォンベースの音響センシングシステムである。
• 参考スコア（独自算出の注目度）: 18.512192430760738
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Soil moisture monitoring is essential for agriculture and environmental management, yet existing methods require either invasive probes disturbing the soil or specialized equipment, limiting access to the public. We present SoilSound, an ubiquitous accessible smartphone-based acoustic sensing system that can measure soil moisture without disturbing the soil. We leverage the built-in speaker and microphone to perform a vertical scan mechanism to accurately measure moisture without any calibration. Unlike existing work that use transmissive properties, we propose an alternate model for acoustic reflections in soil based on the surface roughness effect to enable moisture sensing without disturbing the soil. The system works by sending acoustic chirps towards the soil and recording the reflections during a vertical scan, which are then processed and fed to a convolutional neural network for on-device soil moisture estimation with negligible computational, memory, or power overhead. We evaluated the system by training with curated soils in boxes in the lab and testing in the outdoor fields and show that SoilSound achieves a mean absolute error (MAE) of 2.39% across 10 different locations. Overall, the evaluation shows that SoilSound can accurately track soil moisture levels ranging from 15.9% to 34.0% across multiple soil types, environments, and users; without requiring any calibration or disturbing the soil, enabling widespread moisture monitoring for home gardeners, urban farmers, citizen scientists, and agricultural communities in resource-limited settings.
• Abstract（参考訳）: 土壌水分モニタリングは農業や環境管理に欠かせないが、既存の方法は土壌を妨害する侵入プローブか、特定の機器を必要とする。 土壌水分を計測できるスマートフォンベースの音響センシングシステムであるSoilSoundについて述べる。 我々は内蔵スピーカーとマイクロフォンを利用して垂直走査機構を実行し、校正なしに水分を正確に測定する。 透過特性を利用した既存の研究とは違って, 表面粗さ効果に基づく土壌の音響反射の代替モデルを提案し, 土壌を乱すことなく水分感知を可能にする。 このシステムは、音波チャープを土壌に向けて送信し、垂直スキャン中に反射を記録し、それを処理して畳み込みニューラルネットワークに供給し、デバイス上の土壌水分を、無視可能な計算、メモリ、電力オーバーヘッドで推定する。 実験室の箱の中の硬化した土壌を訓練し,屋外のフィールドでの試験を行い,10箇所で平均絶対誤差(MAE)が2.39%に達することを示した。 総合的に評価すると、SoilSoundは、複数の土壌タイプ、環境、および使用者に対して15.9%から34.0%の範囲の土壌水分を正確に追跡できる。

関連論文リスト

• Soil Characterization of Watermelon Field through Internet of Things: A New Approach to Soil Salinity Measurement [0.19474732718794505]
  本研究の目的は,スイカ分野を対象とした知的IoTによる土壌評価システムの設計と実装である。 IoTベースの開発システムは、異なるセンサーを使用して土壌の水分、温度、pHを測定する。 土壌中の塩分濃度はスイカの収量に影響を与える。
  論文  参考訳（メタデータ） (2024-11-22T09:54:29Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Impact of sensor placement in soil water estimation: A real-case study [0.0]
  カナダ・アルバータ州レスブリッジの実際の農地における土壌水分推定におけるセンサ配置の影響について検討した。 本研究では, 不均質土壌パラメータを持つ3次元農業水理モデルを開発した。 最適センサ位置を決定するために3次元システムに観測可能性のモーダル度を適用した。
  論文  参考訳（メタデータ） (2022-03-13T02:46:27Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• 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)
• ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
  産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。 このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。 最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:17:09Z)
• 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)
• Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
  本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
  論文  参考訳（メタデータ） (2020-12-07T07:56:11Z)
• SMArtCast: Predicting soil moisture interpolations into the future using Earth observation data in a deep learning framework [0.8399688944263843]
  本研究では,衛星画像から土壌水分と植生の計測を行った。 システムは、これらの測定の将来の値を予測することを学習する。 これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
  論文  参考訳（メタデータ） (2020-03-16T23:06:14Z)

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。