論文の概要: PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data

• arxiv url: http://arxiv.org/abs/2511.06943v1
• Date: Mon, 10 Nov 2025 10:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.204292
• Title: PlantTraitNet: An Uncertainty-Aware Multimodal Framework for Global-Scale Plant Trait Inference from Citizen Science Data
• Title（参考訳）: PlantTraitNet: 市民科学データからのグローバルなプラントトラスト推論のための不確実性を考慮したマルチモーダルフレームワーク
• Authors: Ayushi Sharma, Johanna Trost, Daniel Lusk, Johannes Dollinger, Julian Schrader, Christian Rossi, Javier Lopatin, Etienne Laliberté, Simon Haberstroh, Jana Eichel, Daniel Mederer, Jose Miguel Cerda-Paredes, Shyam S. Phartyal, Lisa-Maricia Schwarz, Anja Linstädter, Maria Conceição Caldeira, Teja Kattenborn,
• Abstract要約: マルチモーダルなマルチタスク不確実性を考慮したディープラーニングフレームワークであるPlantTraitNetを紹介する。 空間上の個々の特性予測を集約することにより、特性分布のグローバルマップを生成する。 以上の結果から,PlantTraitNetは評価されたすべての特性に対して,既存の特性マップを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 3.2873110553750284
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Global plant maps of plant traits, such as leaf nitrogen or plant height, are essential for understanding ecosystem processes, including the carbon and energy cycles of the Earth system. However, existing trait maps remain limited by the high cost and sparse geographic coverage of field-based measurements. Citizen science initiatives offer a largely untapped resource to overcome these limitations, with over 50 million geotagged plant photographs worldwide capturing valuable visual information on plant morphology and physiology. In this study, we introduce PlantTraitNet, a multi-modal, multi-task uncertainty-aware deep learning framework that predictsfour key plant traits (plant height, leaf area, specific leaf area, and nitrogen content) from citizen science photos using weak supervision. By aggregating individual trait predictions across space, we generate global maps of trait distributions. We validate these maps against independent vegetation survey data (sPlotOpen) and benchmark them against leading global trait products. Our results show that PlantTraitNet consistently outperforms existing trait maps across all evaluated traits, demonstrating that citizen science imagery, when integrated with computer vision and geospatial AI, enables not only scalable but also more accurate global trait mapping. This approach offers a powerful new pathway for ecological research and Earth system modeling.
• Abstract（参考訳）: 葉の窒素や植物の高さなどの植物特性のグローバルな植物地図は、地球系の炭素やエネルギーサイクルを含む生態系の過程を理解するのに不可欠である。 しかし、既存の特徴マップは、フィールドベース測定の高コストかつ少ない地理的カバレッジによって制限されている。 市民科学のイニシアチブは、これらの制限を克服するためのほとんど未完成の資源を提供しており、世界中の5000万枚の植物写真が植物形態や生理学に関する貴重な視覚情報を収集している。 本研究では,弱監督による市民科学写真から4つの重要な植物形質(植物高さ,葉面積,特定の葉面積,窒素含量)を予測するマルチモーダル・マルチタスク不確実性を考慮した深層学習フレームワークであるPlantTraitNetを紹介する。 空間上の個々の特性予測を集約することにより、特性分布のグローバルマップを生成する。 我々はこれらの地図を、独立植生調査データ(sPlotOpen)に対して検証し、主要なグローバルな特徴製品に対してベンチマークする。 我々の結果は、PlanetTraitNetがすべての評価された特徴に対して既存の特徴マップを一貫して上回り、コンピュータビジョンや地理空間AIと統合された市民科学のイメージが、スケーラブルであるだけでなく、より正確なグローバルな特徴マッピングを可能にしていることを示す。 このアプローチは、生態研究と地球システムモデリングのための強力な新しい経路を提供する。

関連論文リスト

• Trees as Gaussians: Large-Scale Individual Tree Mapping [6.798019232699303]
  樹木は地球生物圏の重要な要素であり、生態系の機能、気候規制、生物生態学において重要な役割を担っている。 利用可能なグローバル製品はバイナリツリーカバーやキャノピー高さに重点を置いており、個々のレベルでツリーを明示的に識別していない。 本研究では,地球規模で3m解像度のPlanetScope画像における大規模個体木検出のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-08-29T09:04:53Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• PlantCamo: Plant Camouflage Detection [60.685139083469956]
  本稿では,植物カモフラージュ検出(PCD)の課題を紹介する。 この問題に対処するため,カモフラージュ植物を用いた1,250枚の画像からなるPlantCamoデータセットを導入した。 提案したデータセット上で20以上の最先端CODモデルを用いて大規模なベンチマーク研究を行う。 マルチスケールのグローバル機能拡張と改良により,PCNetはパフォーマンスを上回りました。
  論文  参考訳（メタデータ） (2024-10-23T06:51:59Z)
• BonnBeetClouds3D: A Dataset Towards Point Cloud-based Organ-level Phenotyping of Sugar Beet Plants under Field Conditions [28.79416825695514]
  農業生産は今後数十年間、気候変動と持続可能性の必要性によって深刻な課題に直面している。 自律無人航空機(UAV)による作物のモニタリングと、ロボットによる非化学雑草によるフィールド管理の進歩は、これらの課題に対処するのに有用である。 表現型化と呼ばれる植物形質の分析は、植物の育種に不可欠な活動であるが、大量の手作業が伴う。
  論文  参考訳（メタデータ） (2023-12-22T14:06:44Z)
• Multi-modal learning for geospatial vegetation forecasting [1.8180482634934092]
  我々は,高分解能植生予測に特化して設計された最初のデータセットであるGreenEarthNetを紹介する。 また、Sentinel 2衛星画像から植生の緑度を予測するための新しい深層学習手法であるContextformerを提案する。 我々の知る限り、この研究は、季節的サイクルを超えた異常を捉えることができる微細な解像度で大陸規模の植生モデリングのための最初のモデルを示す。
  論文  参考訳（メタデータ） (2023-03-28T17:59:05Z)
• 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)
• 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)
• Multi-resolution Outlier Pooling for Sorghum Classification [4.434302808728865]
  Sorghum-100データセットは,最先端のガントリーシステムによって得られたソルガムのRGB画像の大規模なデータセットである。 Dynamic Outlier Poolingと呼ばれる新しいグローバルプール戦略は、このタスクにおける標準的なグローバルプール戦略より優れています。
  論文  参考訳（メタデータ） (2021-06-10T13:57:33Z)
• 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。