論文の概要: PesTwin: a biology-informed Digital Twin for enabling precision farming

• arxiv url: http://arxiv.org/abs/2603.12294v1
• Date: Wed, 11 Mar 2026 16:11:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.685776
• Title: PesTwin: a biology-informed Digital Twin for enabling precision farming
• Title（参考訳）: PesTwin:精密農業を可能にするバイオインフォームドデジタルツイン
• Authors: Andrea De Antoni, Matteo Rucco, Alberto Maria Cattaneo, Ege Gezer, Giuseppe Sulis, Paola Draicchio, Giovanni Iacca, Andrea Pugliese, Maria Vittoria Mancini,
• Abstract要約: 害虫侵入のデジタル双生児を目指す,革新的なシミュレーションフレームワークを提示する。 このフレームワークは、害虫と作物の宿主と環境の主な生態的相互作用の微調整をサポートする。 不均一なデータソースを統合することで、現実的なシナリオでの昆虫の寄生を予測できる。
• 参考スコア（独自算出の注目度）: 5.14781366418262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a context of growing agricultural demand and new challenges related to food security and accessibility, boosting agricultural productivity is more important than ever. Reducing the damage caused by invasive insect species is a crucial lever to achieve this objective. In support of these challenges, and in line with the principles of precision agriculture and Integrated Pest Management (IPM), an innovative simulation framework is presented, aiming to become the digital twin of a pest invasion. Through a flexible rule-based approach of the Agent-Based Modeling (ABM) paradigm, the framework supports the fine-tuning of the main ecological interactions of the pest with its crop host and the environment. Forecasting insect infestation in realistic scenarios, considering both spatial and temporal dimensions, is made possible by integrating heterogeneous data sources: pest biodata collected in the laboratory, environmental data from weather stations, and GIS data of a real crop field. In this study, an application to the global pest of soft fruit, the invasive fruit fly Drosophila suzukii, also known as Spotted Wing Drosophila (SWD), is presented.
• Abstract（参考訳）: 農業需要の増加と食料安全保障とアクセシビリティに関する新たな課題の文脈において、農業生産性の向上はかつてないほど重要である。 昆虫の侵入による被害を減らすことは、この目的を達成するための重要なレバーである。 これらの課題を支援するとともに、精密農業と統合害虫管理(IPM)の原則に従って、害虫侵入のデジタル双生児になることを目指して、革新的なシミュレーションの枠組みを提示する。 このフレームワークは、ABM(Agen-Based Modeling)パラダイムの柔軟なルールベースのアプローチを通じて、害虫と作物の宿主と環境の主な生態的相互作用の微調整をサポートする。 実験室で収集した害虫のバイオデータ,気象観測所からの環境データ,および実作物のGISデータを統合することにより,空間的・時間的両次元を考慮した現実的なシナリオでの昆虫の寄生を予測できる。 本研究では, ソフトフルーツの世界的害虫であるショウジョウバエ(Spotted Wing Drosophila, SWD)について紹介した。

関連論文リスト

• Context-Aware Pesticide Recommendation via Few-Shot Pest Recognition for Precision Agriculture [1.2744523252873352]
  本研究は、スマートフォンやドローンなどの低リソースデバイス向けに設計された、害虫検出および殺虫剤推奨のための軽量なフレームワークを提案する。 提案するフレームワークには2つの主要コンポーネントが含まれている。ひとつは、コンパクトで軽量な畳み込みニューラルネットワーク(CNN)とメタ学習を組み合わせて害虫を正確に識別するPest Detection Moduleである。 2つ目は農薬推奨モジュールで、作物の種類や生育段階などの環境要因を取り入れ、安全でエコな農薬を推奨している。
  論文  参考訳（メタデータ） (2026-01-01T07:33:09Z)
• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• Grapevine Disease Prediction Using Climate Variables from Multi-Sensor Remote Sensing Imagery via a Transformer Model [0.0]
  本稿では,TabPFNモデルを用いたブロックワイドブドウ病の予測手法を提案する。 本手法は,高度な機械学習技術と詳細な環境データを統合することにより,疾患予測の精度と効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-11T09:33:15Z)
• Overcoming LLM Challenges using RAG-Driven Precision in Coffee Leaf Disease Remediation [0.0]
  本研究は、病気の識別にYOLOv8を、コンテキスト認識診断にRAG(Retrieval Augmented Generation)を応用した、革新的なAI駆動型精密農業システムを提案する。 このシステムは、言語モデル(LLM)に関連する固有の制約に対処するために、洗練されたオブジェクト検出技術と言語モデルを統合する。
  論文  参考訳（メタデータ） (2024-05-02T14:19:25Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision for Precision Pollination [6.2997667081978825]
  昆虫は作物の最も重要な世界的な受粉者であり、自然生態系の持続可能性を維持する上で重要な役割を担っている。 現在のコンピュータビジョンは、複雑な屋外環境における昆虫追跡を空間的に制限している。 本稿では,昆虫数計測,昆虫の動き追跡,行動解析,受粉予測のためのマーカーレスデータキャプチャーシステムを紹介する。
  論文  参考訳（メタデータ） (2022-05-10T05:11:28Z)

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。