Fugu-MT 論文翻訳(概要): Towards Data-driven Nitrogen Estimation in Wheat Fields using Multispectral Images

論文の概要: Towards Data-driven Nitrogen Estimation in Wheat Fields using Multispectral Images

arxiv url: http://arxiv.org/abs/2603.00139v1
Date: Tue, 24 Feb 2026 08:38:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.049486
Title: Towards Data-driven Nitrogen Estimation in Wheat Fields using Multispectral Images
Title（参考訳）: マルチスペクトル画像を用いた小麦畑におけるデータ駆動窒素推定に向けて
Authors: Andreas Tritsarolis, Tomaž Bokan, Matej Brumen, Domen Mongus, Yannis Theodoridis,
Abstract要約: TSF(Targeted Spraying and Fertilization)は、農家がより正確に入力を行えるようにするための重要な作業である。本稿では、TSFのためのニューラルネットワークベースのソリューションであるTerrAIについて述べる。
参考スコア（独自算出の注目度）: 2.544539499281093
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The modernization of agriculture has motivated the development of advanced analytics and decision-support systems to improve resource utilization and reduce environmental impacts. Targeted Spraying and Fertilization (TSF) is a critical operation that enables farmers to apply inputs more precisely, optimizing resource use and promoting environmental sustainability. However, accurate TSF is a challenging problem, due to external factors such as crop type, fertilization phase, soil conditions, and weather dynamics. In this paper, we present TerrAI, a Neural Network-based solution for TSF, which considers the spatio-temporal variability across different parcels. Our experimental study over a real-world remote sensing dataset validates the soundness of TerrAI on data-driven agricultural practices.
Abstract（参考訳）: 農業の近代化は、資源利用を改善し、環境への影響を減らすための高度な分析と意思決定支援システムの開発を動機付けている。 TSF(Targeted Spraying and Fertilization)は、農業従事者がより正確に入力を適用でき、資源利用を最適化し、環境の持続可能性を促進するための重要な作業である。しかし, 作物の種類, 受精期, 土壌条件, 気象力学などの外部要因により, 正確なTSFは難しい問題である。本稿では,TSFのためのニューラルネットワークベースのソリューションであるTerrAIについて述べる。実世界のリモートセンシングデータセットに関する実験研究は、データ駆動型農業実践におけるTerrAIの健全性を評価する。

関連論文リスト

Downscaling land surface temperature data using edge detection and block-diagonal Gaussian process regression [0.14777718769290527]
我々は,NASAのECOSTRESSミッションから得られた陸地表面温度(LST)データをダウンスケーリングする新しい統計手法を開発した。我々は、エッジ検出技術により農地の境界を識別し、空間領域に存在する固有のブロック構造を捕捉する。提案手法は信頼性の高い高分解能LST推定における実用性を示す。
論文参考訳（メタデータ） (2026-02-02T21:11:07Z)
AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文参考訳（メタデータ） (2025-07-29T17:59:48Z)
KG-FGNN: Knowledge-guided GNN Foundation Model for Fertilisation-oriented Soil GHG Flux Prediction [8.025242423352509]
精密土壌温室効果ガス(GHG)フラックス予測は, 環境影響の評価, 排出削減戦略の展開, 持続可能な農業の促進に不可欠である。多くの農場で先進的なセンサーとネットワーク技術が不足しているため、包括的で多様な農業データを取得することは困難である。本研究では、農業プロセスベースモデルとグラフニューラルネットワーク技術に埋め込まれた知識を統合することにより、上記の課題に対処する知識誘導グラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-18T21:40:24Z)
Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文参考訳（メタデータ） (2025-05-21T03:57:10Z)
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)
Effective Restoration of Source Knowledge in Continual Test Time Adaptation [44.17577480511772]
本稿では、動的環境におけるドメインシフトを識別できる教師なし領域変更検出手法を提案する。情報源から知識を復元することにより、モデルパラメータの段階的劣化に起因する負の結果を効果的に補正する。我々は,最先端の適応手法と比較して,提案手法の優れた性能を示すために,ベンチマークデータセットの広範な実験を行った。
論文参考訳（メタデータ） (2023-11-08T19:21:48Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2022-11-11T03:32:44Z)
Towards assessing agricultural land suitability with causal machine learning [0.0]
我々は,ベルギーのフランダース地域における作物の回転と景観作物の多様性が純生産性に及ぼす影響を因果機械学習を用いて推定する。植生の多様性がNPPに悪影響を及ぼすのに対して, 作物の回転の影響は重要でないことが判明した。
論文参考訳（メタデータ） (2022-04-27T14:13:47Z)
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)
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。