Core Concepts
段階周波数GPR測定と機械学習を組み合わせることで、農業や園芸に関連する土壌パラメータを効率的に抽出できる可能性がある。
Abstract
本研究では、トラクターに搭載した段階周波数GPRと電磁誘導(EMI)センサを用いて大規模なフィールド測定キャンペーンを実施した。機械学習を用いてGPRデータからEMIによる見かけの電気伝導度(ECaR)を推定する能力を評価した。
測定は、ゴルフコースの2つのフェアウェイで行われ、3472個の共登録されたGPRとEMIデータサンプルが収集された。機械学習モデルの性能評価では、平均二乗誤差(MSE)、平均絶対誤差(MAE)、ピアソン相関係数(r)を用いた。また、推定値の空間的な相関を表すバリオグラムの特性も分析した。
結果として、ランダムフォレスト回帰モデルが最も良好な推定精度を示した。ただし、トレーニングデータとテストデータが空間的に離れている場合、モデルの一般化性能が大幅に低下することが明らかになった。バリオグラムの特性、特に誘導分散に対する誤差分散の比率(ナゲット/シル比)が、モデルの性能を示す有効な指標となることが示唆された。
今後は、より多様な土壌条件下でのデータ収集や、他のセンサ情報との統合などにより、高周波GPRを用いた深度方向の土壌パラメータ推定精度の向上が期待される。
Stats
土壌の見かけの電気伝導度(ECaR)は、高周波GPRデータから効率的に推定できる可能性がある。
ただし、トレーニングデータとテストデータが空間的に離れている場合、モデルの一般化性能が大幅に低下する。
バリオグラムのナゲット/シル比は、モデルの性能を示す有効な指標となる可能性がある。
Quotes
"段階周波数GPR測定と機械学習を組み合わせることで、農業や園芸に関連する土壌パラメータを効率的に抽出できる可能性がある。"
"ランダムフォレスト回帰モデルが最も良好な推定精度を示した。"
"バリオグラムのナゲット/シル比が、モデルの性能を示す有効な指標となる可能性がある。"