論文の概要: A Measurement-Driven Digital Twin Architecture for Plant-Level Biomass Estimation and Growth Forecasting in Hydroponic Systems

• arxiv url: http://arxiv.org/abs/2606.02796v1
• Date: Mon, 01 Jun 2026 19:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.555251
• Title: A Measurement-Driven Digital Twin Architecture for Plant-Level Biomass Estimation and Growth Forecasting in Hydroponic Systems
• Title（参考訳）: 植物レベルバイオマス推定・成長予測のための計測駆動型ディジタルツインアーキテクチャ
• Authors: Morgan Mayborne, Abhisesh Silwal, George Kantor,
• Abstract要約: 水耕環境下での個々のレタスの生育を追跡する新しいシステムを開発した。 デジタルツイン成長予測は、将来1日から4日間の将来の収量に近似することができる。
• 参考スコア（独自算出の注目度）: 5.195942130196466
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Alternatives to soil-based horticulture, such as hydroponics, have been developed to respond to food distribution concerns for dense urban centers. A new system was developed to track an individual lettuce plant's growth in a hydroponic environment, utilizing streams of measured information and available models to continuously update the growth trajectory estimates for a plant. These "digital twin" models were integrated into an operating hydroponic greenhouse, with custom horticultural and sensor hardware to grow and measure relevant information. To aid in updating model parameters, plant yield was continuously measured with a custom neural network, using RGB-D images of the plants as an input. The network, trained on a collected dataset of 1300 images, was able to estimate mass within 1.5 g of the ground-truth value. After integration into the custom system, digital twin growth projections could approximate future yield between one and four days in the future, maintaining around a 2 g forecasting error.
• Abstract（参考訳）: 水耕栽培のような土壌を基盤とした園芸の代替手段は、密集した都市部における食糧流通の懸念に対応するために開発されている。 植物の成長軌跡を連続的に更新するために,測定された情報の流れと利用可能なモデルを利用して,水耕環境下での個々のレタス植物の成長を追跡する新しいシステムを開発した。 これらの「デジタルツイン」モデルが作動する水耕栽培の温室に統合され、関連する情報を成長・測定するための独自の園芸とセンサーのハードウェアが組み込まれた。 モデルパラメータの更新を支援するために、植物のRGB-Dイメージを入力として、植物収量をカスタムニューラルネットワークで継続的に測定した。 このネットワークは1300枚の画像の収集したデータセットに基づいて訓練され、地上からの距離の1.5g以内の質量を推定することができた。 カスタムシステムに統合された後、デジタルツイン成長予測は将来1日から4日間の将来の収量を近似し、2gの予測誤差を維持できる。

関連論文リスト

• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• A Proof of Concept for a Digital Twin of an Ultrasonic Fermentation System [34.519171103080545]
  本稿では, 超音波ビール発酵システムにおけるディジタルツインの概念実証の設計と実装について述べる。 従来の発酵槽は、超音波でタンクに照射できる圧電トランスデューサを備えている。 デジタル双生児は、周囲の環境条件に基づいて、酵母の培養密度を時間とともに推定する予測モデルを導入している。
  論文  参考訳（メタデータ） (2026-01-16T19:16:39Z)
• Self-supervised learning predicts plant growth trajectories from multi-modal industrial greenhouse data [0.29998889086656577]
  本研究では,大規模ヒドロポニック葉緑体の高分解能環境センシングと表現型計測に移動型ロボットプラットフォームを用いた。 植物の成長軌跡全体への観察された成長データからマップを構築するための自己教師付きモデリング手法について述べる。
  論文  参考訳（メタデータ） (2025-07-08T18:55:11Z)
• GrowSplat: Constructing Temporal Digital Twins of Plants with Gaussian Splats [16.710426662494573]
  本稿では,3次元ガウススプラッティングとロバストなサンプルアライメントパイプラインを組み合わせることで,植物の時間的デジタルツインを構築するための新しい枠組みを提案する。 オランダの植物エコ・フェノタイピング・センターのデータに対するアプローチを評価し,セコイア種とキノア種の詳細な時間的再構成を実証した。
  論文  参考訳（メタデータ） (2025-05-16T06:56:15Z)
• Multimodal Data Integration for Sustainable Indoor Gardening: Tracking Anyplant with Time Series Foundation Model [9.8186542545443]
  本稿では,コンピュータビジョン,機械学習(ML),環境センシングを統合し,植物の健康と成長を自動監視する新しいフレームワークを提案する。 従来のアプローチとは異なり、このフレームワークは、RGB画像、植物表現型データ、温度や湿度などの環境要因を組み合わせて、制御された生育環境における植物水ストレスを予測する。
  論文  参考訳（メタデータ） (2025-03-27T19:19:37Z)
• 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)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• 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)
• Temporal Prediction and Evaluation of Brassica Growth in the Field using Conditional Generative Adversarial Networks [1.2926587870771542]
  植物の成長予測は、多種多様な環境要因によって影響を受けるため、大きな課題である。 本稿では,高スループット撮像センサ測定とその自動解析を含む新しいモニタリング手法を提案する。 提案手法のコアは条件付き生成型adversarial networkに基づく新しい機械学習ベースの成長モデルである。
  論文  参考訳（メタデータ） (2021-05-17T13:00:01Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• 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。