論文の概要: Reflectance Multispectral Imaging for Soil Composition Estimation and USDA Texture Classification

• arxiv url: http://arxiv.org/abs/2602.22829v1
• Date: Thu, 26 Feb 2026 10:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.642044
• Title: Reflectance Multispectral Imaging for Soil Composition Estimation and USDA Texture Classification
• Title（参考訳）: 土壌組成推定のための反射型マルチスペクトルイメージングとUSDAテクスチャ分類
• Authors: G. A. S. L Ranasinghe, J. A. S. T. Jayakody, M. C. L. De Silva, G. Thilakarathne, G. M. R. I. Godaliyadda, H. M. V. R. Herath, M. P. B. Ekanayake, S. K. Navaratnarajah,
• Abstract要約: 土壌テクスチャは、農業における水の可用性と浸食を制御し、また、地球工学における負荷の受け取り能力、変形応答、収縮・腫れリスクを制御している。 本稿では, 土壌組成とUSDAテクスチャクラスを予測するための, 堅牢でフィールド展開可能なマルチスペクトルイメージング(MSI)システムと機械学習フレームワークを提案する。
• 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: Soil texture is a foundational attribute that governs water availability and erosion in agriculture, as well as load bearing capacity, deformation response, and shrink-swell risk in geotechnical engineering. Yet texture is still typically determined by slow and labour intensive laboratory particle size tests, while many sensing alternatives are either costly or too coarse to support routine field scale deployment. This paper proposes a robust and field deployable multispectral imaging (MSI) system and machine learning framework for predicting soil composition and the United States Department of Agriculture (USDA) texture classes. The proposed system uses a cost effective in-house MSI device operating from 365 nm to 940 nm to capture thirteen spectral bands, which effectively capture the spectral properties of soil texture. Regression models use the captured spectral properties to estimate clay, silt, and sand percentages, while a direct classifier predicts one of the twelve USDA textural classes. Indirect classification is obtained by mapping the regressed compositions to texture classes via the USDA soil texture triangle. The framework is evaluated on mixture data by mixing clay, silt, and sand in varying proportions, using the USDA classification triangle as a basis. Experimental results show that the proposed approach achieves a coefficient of determination R^2 up to 0.99 for composition prediction and over 99% accuracy for texture classification. These findings indicate that MSI combined with data-driven modeling can provide accurate, non-destructive, and field deployable soil texture characterization suitable for geotechnical screening and precision agriculture.
• Abstract（参考訳）: 土壌テクスチャは、農業における水の可用性と浸食を規定する基礎的属性であり、また、地球工学における負荷担持能力、変形応答、収縮・腫れリスクも支配する。 しかし、テクスチャは、通常、遅くて労働集約的な実験室の粒子サイズテストによって決定される。 本稿では,土壌組成予測のための頑健でフィールド展開可能なマルチスペクトルイメージング(MSI)システムと機械学習フレームワーク,および米国農務省テクスチャクラスを提案する。 提案システムは,365nmから940nmまでの高効率MSI装置を用いて13のスペクトル帯を捕捉し,土壌テクスチャのスペクトル特性を効果的に捉える。 回帰モデルでは、捕獲されたスペクトル特性を用いて粘土、シルト、砂の割合を推定し、直接分類器は12のUSDAテクスチャクラスのうちの1つを予測する。 間接分類は,USDA土壌テクスチャトライアングルを用いて,後退した組成をテクスチャクラスにマッピングすることによって得られる。 本フレームワークは, 粘土, シルト, 砂を種々の割合で混合し, 混合データを用いて評価した。 実験結果から, 提案手法は構成予測に最大0.99, テクスチャ分類に99%の精度でR^2を決定できることがわかった。 これらの結果から,MSIとデータ駆動型モデリングを組み合わせることで,地理的検層と精密農業に適した土壌テクスチャの精度,非破壊性,およびフィールド展開性を実現できることが示唆された。

関連論文リスト

• Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction [36.766406330345525]
  マルチモーダル学習ネットワークを説明するために,トランスフォーマーベースモデルの本質的な説明性を活用する。 本研究は,サブフィールドレベルでの収量予測の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2025-08-09T11:09:10Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• A text-based, generative deep learning model for soil reflectance spectrum simulation in the VIS-NIR (400-2499 nm) bands [1.6114012813668932]
  本稿では,土壌特性入力に基づく土壌反射スペクトルシミュレーションのためのデータ駆動型土壌光学生成モデル(SOGM)を提案する。 このモデルは、17のデータセットから約180,000の土壌スペクトル-プロパティペアからなる広範囲なデータセットに基づいて訓練される。 PROSAILのようなリモートセンシング研究に使用される土壌・植物放射線モデルと容易に統合できる。
  論文  参考訳（メタデータ） (2024-05-02T07:34:12Z)
• 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)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• 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)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties [0.0]
  化学土壌の特性を知ることは、作物管理と総収量生産において決定的である。 従来の資産推定手法は時間がかかり、複雑な実験室のセットアップを必要とする。 スペクトル信号(vis-NIRS)からの物性推定は、低コストで非侵襲的で非破壊的な代替手段として現れた。
  論文  参考訳（メタデータ） (2020-12-23T21:46:41Z)
• 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。