ترجمه فارسی مقاله MIS-ME: یک چارچوب چندوجهی برای تخمین رطوبت خاک

چکیده

Soil moisture estimation is an important task to enable precision agriculture in creating optimal plans for irrigation, fertilization, and harvest. It is common to utilize statistical and machine learning models to estimate soil moisture from traditional data sources such as weather forecasts, soil properties, and crop properties. However, there is a growing interest in utilizing aerial and geospatial imagery to estimate soil moisture. Although these images capture high-resolution crop details, they are expensive to curate and challenging to interpret. Imagine, an AI-enhanced software tool that predicts soil moisture using visual cues captured by smartphones and statistical data given by weather forecasts. This work is a first step towards that goal of developing a multi-modal approach for soil moisture estimation. In particular, we curate a dataset consisting of real-world images taken from ground stations and their corresponding weather data. We also propose MIS-ME – Meteorological & Image based Soil Moisture Estimator, a multi-modal framework for soil moisture estimation. Our extensive analysis shows that MIS-ME achieves a MAPE of 10.14%, outperforming traditional unimodal approaches with a reduction of 3.25% in MAPE for meteorological data and 2.15% in MAPE for image data, highlighting the effectiveness of tailored multi-modal approaches. Our code and dataset will be available at https://github.com/OSU-Complex-Systems/MIS-ME.git.

چکیده به فارسی (ترجمه ماشینی)

برآورد رطوبت خاک یک کار مهم برای فعال کردن کشاورزی دقیق در ایجاد برنامه های بهینه برای آبیاری ، لقاح و برداشت است.استفاده از مدلهای آماری و یادگیری ماشین برای برآورد رطوبت خاک از منابع داده سنتی مانند پیش بینی آب و هوا ، خصوصیات خاک و خاصیت محصول معمول است.با این حال ، علاقه فزاینده ای به استفاده از تصاویر هوایی و جغرافیایی برای برآورد رطوبت خاک وجود دارد.اگرچه این تصاویر جزئیات محصول با وضوح بالا را به خود جلب می کنند ، اما تفسیر آنها گران قیمت و چالش برانگیز است.تصور کنید ، یک ابزار نرم افزاری با پیشرفت AI که رطوبت خاک را با استفاده از نشانه های بصری ضبط شده توسط تلفن های هوشمند و داده های آماری ارائه شده توسط پیش بینی های آب و هوا پیش بینی می کند.این کار اولین گام به سوی هدف از توسعه یک رویکرد چند منظوره برای برآورد رطوبت خاک است.به طور خاص ، ما یک مجموعه داده متشکل از تصاویر دنیای واقعی گرفته شده از ایستگاه های زمینی و داده های آب و هوایی مربوطه آنها را انتخاب می کنیم.ما همچنین برآوردگر رطوبت خاک MIS-ME-هواشناسی و تصویر را پیشنهاد می کنیم ، یک چارچوب چند منظوره برای برآورد رطوبت خاک.تجزیه و تحلیل گسترده ما نشان می دهد که MIS-ME به یک MAPE 10.14 ٪ دست پیدا می کند ، و از رویکردهای سنتی UNIMODAL با کاهش 3.25 ٪ در MAPE برای داده های هواشناسی و 2.15 ٪ در MAPE برای داده های تصویر ، برجسته می کند و اثربخشی رویکردهای چند مدلی متناسب را نشان می دهد.کد و مجموعه داده ما در https://github.com/osu-complex-systems/mis-me.git در دسترس خواهد بود.