論文の概要: From greenhouse climate to individual leaves: an organ-resolved model of lettuce growth

• arxiv url: http://arxiv.org/abs/2609.27118v1
• Date: Tue, 22 Sep 2026 22:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.787932
• Title: From greenhouse climate to individual leaves: an organ-resolved model of lettuce growth
• Title（参考訳）: 温室性気候から個々の葉へ-レタス成長のオルガン分解モデル
• Abstract要約: 個々の葉の生理学からレタス成長をシミュレートする統一的な枠組みが開発された。 予測された葉の質量、面積、年齢は、NVIDIAのアイザック・シムで進化する3次元植物を生み出した。 入射放射線の30%が減少し、最終乾燥重量は10.4%減少した。 葉特異的のチップバーン指数は, 温室植物にチップバーンが出現する期間に, 囲い葉に上昇した。
• 参考スコア（独自算出の注目度）: 0.10775419935941007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Greenhouse climate management aims to improve crop production while limiting energy use. This requires knowing how a crop will respond before conditions are changed. A crop digital twin can support this decision only if it represents how plant physiology and structure develop together. A unified framework was developed to simulate lettuce growth from the physiology of individual leaves. Each leaf received the conditions at its position in the canopy and contributed carbon through photosynthesis. Part of this carbon was used for maintenance and the remainder supported growth, distributed among leaves by their age, size and local environment. The predicted leaf mass, area and age generated an evolving three-dimensional plant in NVIDIA Isaac Sim. Ray tracing calculated the radiation intercepted by each leaf and returned it to photosynthesis, so structure and growth influenced each other over time. Against greenhouse measurements, the relative root mean square error was 9.5% for total dry weight and 9.2%, 12.7% and 13.1% for leaf number, canopy diameter and largest-leaf area, respectively. A 30% decrease in incident radiation reduced final dry weight by 10.4%, while the same increase raised it by 6.9%, and adding 200 ppm carbon dioxide raised it by 46.1%. Within a simulated 40-plant block, interior plants accumulated 8.6% less dry weight than border plants with identical initial states, and the leaf-specific tipburn index rose in the enclosed leaves over the period in which tipburn appeared on the greenhouse plants. Resolving individual leaves therefore explains how local exposure changes plant growth within the greenhouse. The framework provides the forward plant model needed for a bidirectional digital twin, where observations of the physical plant can update predictions and support greenhouse climate decisions.
• Abstract（参考訳）: 温室効果ガスの管理は、エネルギー消費を抑えながら作物の生産を改善することを目的としている。 これは、条件が変わる前に作物がどのように反応するかを知る必要がある。 作物のデジタル双生児は、植物生理学と構造が共にどのように発達するかを表す場合に限り、この決定を支持することができる。 個々の葉の生理学からレタス成長をシミュレートする統一的な枠組みが開発された。 各葉は天蓋の位置で条件を受け取り、光合成を通じて炭素に寄与した。 この炭素の一部は維持に使われ、残りは生長を支え、その年齢、大きさ、環境によって葉に分散した。 予測された葉の質量、面積、年齢は、NVIDIAのアイザック・シムで進化する3次元植物を生み出した。 レイトレーシングは、各葉によって遮断された放射線を計算し、光合成に戻すことで、時間とともに構造と成長が相互に影響した。 温室効果測定では, 総乾燥重量が9.5%, 葉数が9.2%, 葉数が12.7%, 葉面積が13.1%であった。 入射放射線の30%減少により最終乾燥重量は10.4%減少し、同じ増加で6.9%増加し、200ppmの二酸化炭素が46.1%増加した。 模擬40植物ブロック内では、内部植物は、同じ初期状態の国境植物よりも8.6%の乾燥重量を蓄積し、葉特異的のチップバーン指数は、温室植物にチップバーンが出現する期間に葉で覆われた葉に上昇した。 そのため、個々の葉を分解すると、温室内の植物の成長が局所的にどのように変化するかが説明される。 このフレームワークは、双方向デジタル双生児に必要なフォワードプラントモデルを提供し、物理プラントの観測結果が予測を更新し、温室効果ガスの気候決定をサポートする。

関連論文リスト

• A Lightweight Phenology-Aware YOLOv5 Framework for Tomato Growth Stage Detection in Resource-Constrained Bhutanese Greenhouse Environments [0.3093890460224435]
  ブータンでは、温室栽培は高度変動、昼日温度の変動、拡散照明、限定された自動化、および局所的な注釈付きデータセットの不足の影響を受けている。 本研究は, トマト成長段階認識のための, Ultralytics YOLOv5 から派生した, 軽量で表現学を意識したオブジェクト検出アーキテクチャである Pheno-Lite + Efficient Channel Attention (ECA) を提案する。 提案されたモデルは、90.6%の精度、88.8%のリコール、92.6%のmAP@50、4.0百万のパラメータと10.9のGFLOPを640 x 640の解像度で達成している。
  論文  参考訳（メタデータ） (2026-08-30T23:23:08Z)
• Data-driven Prediction of Species-Specific Plant Responses to Spectral-Shifting Films from Leaf Phenotypic and Photosynthetic Traits [0.0]
  温室へのスペクトルシフトフィルムの適用は、作物種間で異なる成長反応を示した。 光品質の変化による作物の収量向上は、各種の特定の生物物理学的特性の集団的影響に関連している。 本研究は, 作物の生理的応答と, SF下での生育成績を考慮し, 複数の植物形質特性と日光積分を包括的に関連付けることを目的とする。
  論文  参考訳（メタデータ） (2025-11-19T06:51:27Z)
• Branched Broomrape Detection in Tomato Farms Using Satellite Imagery and Time-Series Analysis [0.2770822269241974]
  枝分かれしたボムラペ(Phelipanche ramosa)は、宿主から栄養素を抽出することによってトマト生産を脅かす。 本稿では,カリフォルニアのトマト畑において,センチネル2画像と時系列解析を用いて,キノコの寄生するトマト畑を識別するエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-13T03:51:11Z)
• VegeDiff: Latent Diffusion Model for Geospatial Vegetation Forecasting [58.12667617617306]
  地理空間植生予測タスクのためのVegeDiffを提案する。 VegeDiffは、植物の変化過程の不確かさを確率的に捉えるために拡散モデルを使用した最初の企業である。 植生の変化の不確かさを捉え、関連する変数の複雑な影響をモデル化することで、VegeDiffは既存の決定論的手法より優れている。
  論文  参考訳（メタデータ） (2024-07-17T14:15:52Z)
• Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
  侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
  論文  参考訳（メタデータ） (2024-05-02T23:53:29Z)
• Machine Vision-Based Assessment of Fall Color Changes and its Relationship with Leaf Nitrogen Concentration [2.9103536318221974]
  本研究は, 葉の色変化と葉の窒素含量との相関を定量化するための機械ビジョンに基づくシステムについて検討した。 画像データセットは2021年秋から2023年秋の5週間にわたって、地上の車両をベースとした立体視センサーを用いて商業用果樹園で収集された。 葉の窒素濃度が低い木は、高い窒素濃度の木よりも早く黄色に変化した。
  論文  参考訳（メタデータ） (2024-04-23T01:19:19Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Inferring the relationship between soil temperature and the normalized difference vegetation index with machine learning [0.3613661942047476]
  気候の変化は植物の表現学に大きく影響し、重要なフィードバック効果をもたらす可能性がある。 本研究では,土壌温度が季節開始時期に及ぼす影響について検討した。 また, 気温, 降水量, 照度などの気象変動が植生現象学の年次変動に与える影響についても検討した。
  論文  参考訳（メタデータ） (2023-12-19T15:43:50Z)
• 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。