論文の概要: Early Detection of Water Stress by Plant Electrophysiology: Machine Learning for Irrigation Management

• arxiv url: http://arxiv.org/abs/2604.28038v1
• Date: Thu, 30 Apr 2026 15:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.180497
• Title: Early Detection of Water Stress by Plant Electrophysiology: Machine Learning for Irrigation Management
• Title（参考訳）: 植物電気生理学による水ストレスの早期検出:排水管理のための機械学習
• Authors: Eduard Buss, Till Aust, Heiko Hamann,
• Abstract要約: 水ストレスを受けた温室栽培トマトの電気生理学的信号を記録した。 オンラインストレス検出のための機械学習に基づくフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 2.9822184411723645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Fast detection of plant stress is key to plant phenotyping, precision agriculture, and automated crop management. In particular, efficient irrigation management requires early identification of water stress to optimize resource use while maintaining crop performance. Direct physiological sensing offers the potential to detect stress responses before visible symptoms appear. Methods: In this study, we recorded electrophysiological signals from greenhouse-grown tomato plants subjected to water stress and developed a framework based on machine learning for online stress detection. The recorded time-series data were processed using a processing pipeline that includes statistical feature extraction and selection, automated machine learning or alternatively deep learning, and probability calibration. Results: Across multiple input time horizons, we found that a 30-minute look-back window strikes the best balance between rapid decision-making and classification performance. Using automated machine learning, the framework achieved classification accuracies of up to 92%, outperforming deep learning approaches. Sequential backward selection reduced the feature set while maintaining performance. Importantly, the framework detects transitions from healthy to stressed states in recordings that were not included in the training set. Conclusion: Overall, we provide a decision-support tool for farmers and establish a foundation for biofeedback-driven irrigation control to improve resource efficiency in (semi-)autonomous crop production systems.
• Abstract（参考訳）: 目的: 植物ストレスの迅速検出は, 植物の表現型化, 精密農業, 自動作物管理の鍵となる。 特に、効率的な灌水管理には、作物のパフォーマンスを維持しながら資源利用を最適化するために、早期に水ストレスを特定する必要がある。 直接生理的感覚は、目に見える症状が現れる前にストレス反応を検出する能力を提供する。 方法:本研究では,水ストレスを受けた温室栽培トマトの電気生理学的信号を記録し,オンラインストレス検出のための機械学習に基づく枠組みを開発した。 記録された時系列データは、統計的特徴抽出と選択、自動機械学習、あるいは、代わりにディープラーニング、確率校正を含む処理パイプラインを使用して処理された。 結果: 複数入力時間にまたがって, 30分間のルックバックウィンドウが, 素早い意思決定と分類性能のバランスを最も良くすることがわかった。 自動機械学習を使用して、このフレームワークは最大92%の分類精度を達成し、ディープラーニングアプローチを上回った。 連続した後方選択は、性能を維持しながら特徴セットを減らした。 重要なのは、トレーニングセットに含まれていない録音における健康状態からストレス状態への遷移を検出することだ。 結論: 総じて, 農家に意思決定支援ツールを提供し, 半自動作物生産システムにおける資源効率向上のためのバイオフィードバック型灌水管理の基礎を築いた。

関連論文リスト

• Tiny Machine Learning for Real-Time Aquaculture Monitoring: A Case Study in Morocco [0.0]
  本稿では,Tiny Machine Learning (TinyML) を用いた低消費電力エッジデバイスを養殖システムに統合し,リアルタイムなモニタリングと制御を実現することを提案する。 このシステムは、pHレベル、温度、溶存酸素、アンモニアレベルなどの必要なパラメータのリアルタイムデータを提供し、水質、栄養レベル、環境条件を制御する。
  論文  参考訳（メタデータ） (2026-01-03T04:21:00Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• A neuromorphic continuous soil monitoring system for precision irrigation [32.97821869608533]
  データ転送やリモート処理を必要とせずに自律的に動作する完全エネルギー効率のニューロモルフィック灌水制御システムを提案する。 混合信号型ニューロモルフィックプロセッサに適用したリンゴおよびキウイ果樹園の実際の土壌水分データを用いて,本手法の有効性を検証した。 以上の結果から,局所的なニューロモルフィック推論は意思決定の精度を保ち,自律的かつ持続的な灌水ソリューションを大規模に構築できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-17T15:15:03Z)
• Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
  本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。 このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T18:45:50Z)
• Accelerated Online Reinforcement Learning using Auxiliary Start State Distributions [50.44719434877687]
  専門家によるデモンストレーションやシミュレータは任意の状態にリセットできる。 この補助分布の選択を安全の概念を用いて通知することは、学習を著しく加速することを発見した。
  論文  参考訳（メタデータ） (2025-07-07T01:54:05Z)
• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• 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)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Automated Pest Detection with DNN on the Edge for Precision Agriculture [0.0]
  本稿では,機械学習(ML)機能により強化された組込みシステムについて,果樹園内での害虫感染の連続検出を確実にする。 3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。 その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-01T10:17:48Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。