論文の概要: Branched Broomrape Detection in Tomato Farms Using Satellite Imagery and Time-Series Analysis

• arxiv url: http://arxiv.org/abs/2509.10804v1
• Date: Sat, 13 Sep 2025 03:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.785029
• Title: Branched Broomrape Detection in Tomato Farms Using Satellite Imagery and Time-Series Analysis
• Title（参考訳）: 衛星画像と時系列解析を用いたトマト栽培における分枝ボムラペ検出
• Authors: Mohammadreza Narimani, Alireza Pourreza, Ali Moghimi, Parastoo Farajpoor, Hamid Jafarbiglu, Mohsen Mesgaran,
• Abstract要約: 枝分かれしたボムラペ(Phelipanche ramosa)は、宿主から栄養素を抽出することによってトマト生産を脅かす。 本稿では,カリフォルニアのトマト畑において,センチネル2画像と時系列解析を用いて,キノコの寄生するトマト畑を識別するエンドツーエンドパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.2770822269241974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Branched broomrape (Phelipanche ramosa (L.) Pomel) is a chlorophyll-deficient parasitic plant that threatens tomato production by extracting nutrients from the host, with reported yield losses up to 80 percent. Its mostly subterranean life cycle and prolific seed production (more than 200,000 seeds per plant, viable for up to 20 years) make early detection essential. We present an end-to-end pipeline that uses Sentinel-2 imagery and time-series analysis to identify broomrape-infested tomato fields in California. Regions of interest were defined from farmer-reported infestations, and images with less than 10 percent cloud cover were retained. We processed 12 spectral bands and sun-sensor geometry, computed 20 vegetation indices (e.g., NDVI, NDMI), and derived five plant traits (Leaf Area Index, Leaf Chlorophyll Content, Canopy Chlorophyll Content, Fraction of Absorbed Photosynthetically Active Radiation, and Fractional Vegetation Cover) using a neural network calibrated with ground-truth and synthetic data. Trends in Canopy Chlorophyll Content delineated transplanting-to-harvest periods, and phenology was aligned using growing degree days. Vegetation pixels were segmented and used to train a Long Short-Term Memory (LSTM) network on 18,874 pixels across 48 growing-degree-day time points. The model achieved 88 percent training accuracy and 87 percent test accuracy, with precision 0.86, recall 0.92, and F1 0.89. Permutation feature importance ranked NDMI, Canopy Chlorophyll Content, FAPAR, and a chlorophyll red-edge index as most informative, consistent with the physiological effects of infestation. Results show the promise of satellite-driven time-series modeling for scalable detection of parasitic stress in tomato farms.
• Abstract（参考訳）: 分枝ボムラペ(Phelipanche ramosa (L.) Pomel)はクロロフィル欠乏寄生植物で、宿主から栄養素を抽出してトマト生産を脅かす。 主に地下のライフサイクルと多量の種子生産(植物1種あたり20万種以上、最大20年間生産される)によって、早期発見が不可欠である。 本稿では,カリフォルニアのトマト畑において,センチネル2画像と時系列解析を用いて,キノコの寄生するトマト畑を識別するエンドツーエンドパイプラインを提案する。 農夫が報告した寄生虫から興味のある地域が定義され、10%未満の雲に覆われた画像が保存された。 12のスペクトル帯と日光センサ形状を計算し,20の植生指標(例えば,NDVI,NDMI)を算出し,地上構造と合成データを調整したニューラルネットワークを用いて,植物形質(葉面積指数,葉緑体含量,陰極性クロロフィル含量,吸収光合成活性放射率の分画および分画植生被覆率)を抽出した。 The Trends of Canopy Chlorophyll Content Delineed transplanting-to-harvest periods, and phenology werealigned with growing degrees days。 植生ピクセルはセグメント化され、48日の時間ポイントで18,874ピクセルの長短メモリ(LSTM)ネットワークをトレーニングするために使用された。 このモデルは88%の訓練精度と87%の試験精度を達成し、精度0.86、リコール0.92、F1 0.89を達成した。 NDMI,Canopy Chlorophyll Content, FAPAR, クロロフィル赤縁指数は寄生の生理的影響と最も有意な指標であった。 その結果,トマト栽培における寄生ストレスのスケーラブル検出のための衛星駆動型時系列モデリングの可能性を示唆した。

関連論文リスト

• Early Detection of Branched Broomrape (Phelipanche ramosa) Infestation in Tomato Crops Using Leaf Spectral Analysis and Machine Learning [0.2770822269241974]
  枝分かれしたほうきは、宿主から栄養素を抽出することでトマト生産を脅かす。 葉面スペクトル反射率とアンサンブル機械学習を用いた早期検出について検討した。
  論文  参考訳（メタデータ） (2025-09-15T16:00:32Z)
• Drone-Based Multispectral Imaging and Deep Learning for Timely Detection of Branched Broomrape in Tomato Farms [0.2770822269241974]
  本研究は、カリフォルニアのトマト産業に対する枝分かれしたブルームラップ(Phelipanche ramosa)のエスカレートする脅威に対処する。 寄生虫の主に地下のライフサイクルは早期発見を難しくするが、従来の化学制御は費用がかかり、環境に悪影響を及ぼし、しばしば効果がない。 我々は、SMOTE(Synthetic Minority Over-Sampling Technique)を用いて、ドローンベースのマルチスペクトル画像とLong Short-Term Memory (LSTM)ディープラーニングネットワークを組み合わせた。
  論文  参考訳（メタデータ） (2025-09-12T05:16:56Z)
• PanoDiff-SR: Synthesizing Dental Panoramic Radiographs using Diffusion and Super-resolution [60.970656010712275]
  PanoDiff と Super-Resolution (SR) を組み合わせて合成歯科用パノラマ線写真(PR)を作製する手法を提案する。 前者は、SRモデルで処理されたPRの低分解能(LR)シードを生成し、1024×512の高分解能(HR)PRを生成する。 SRでは,局所的・言語的関係を学習し,よりシャープなエッジやテクスチャをもたらす最先端のトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:52:10Z)
• PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
  本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
  論文  参考訳（メタデータ） (2024-10-16T17:01:28Z)
• Multi-growth stage plant recognition: a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum) [0.3441021278275805]
  綿花中のAmaranthus palmeriの8クラス成長段階の認識について検討した。 YOLO v3、v5、v6、v6 3.0、v7、v8から26の異なるアーキテクチャのバリエーションを比較します。 すべての成長段階のクラスを認識できるmAP@[0.5:0.95]は、v8-Xで47.34%であった。
  論文  参考訳（メタデータ） (2023-07-28T21:14:43Z)
• Fractional Vegetation Cover Estimation using Hough Lines and Linear Iterative Clustering [3.1654720243958128]
  本稿では,ある地域に存在する植生被覆量を決定するために,新しい画像処理アルゴリズムを提案する。 提案アルゴリズムは,植生被覆推定のための信頼度の高いダウベンミア法からインスピレーションを得ている。 植物の成長に関する重要な洞察を、一定間隔で取得した画像を繰り返すと、その分析が引き起こされる。
  論文  参考訳（メタデータ） (2022-04-30T23:33:31Z)
• 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)
• 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)
• One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
  三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
  論文  参考訳（メタデータ） (2020-12-14T10:44:22Z)
• 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。