Synthesizing Forestry Images Conditioned on Plant Phenotype Using a Generative Adversarial Network

要約

リモートセンシングデータを使用した植物季節学および表現型予測は、農業生産性を向上させるために植物科学コミュニティの注目を集めています。
この研究は、特定の表現型属性を満たす合成林業画像を生成することを目的としています。
キャノピーの緑。
私たちは敵対的生成ネットワーク (GAN) を利用して、特定の関心領域 (混交林内の特定の植生タイプを記述する) にわたる植生の緑色 (連続属性) を条件とした、生物学的にもっともらしく、表現型的に安定した森林画像を合成します。
トレーニング データは、National Ecological Observatory Network (NEON) によって提供され、PhenoCam Network によって処理された自動デジタル カメラ画像に基づいています。
私たちの方法は、緑の値に固有の森林サイトの外観をレンダリングするのに役立ちます。
合成画像は、別の表現型属性、つまり植物の赤みを予測するために利用されます。
構造的類似性 (SSIM) インデックスは、合成画像の品質を評価するために使用されます。
生成された合成画像の緑度と赤さのインデックスは、二乗平均平方根誤差 (RMSPE) を使用して元の画像のインデックスと比較され、その精度と完全性が評価されます。
私たちが提案する GAN モデルの一般化性とスケーラビリティは、他の森林サイトや植生タイプの合成画像を生成するようにモデルを効果的に変換することによって決定されます。

要約(オリジナル)

Plant phenology and phenotype prediction using remote sensing data is increasingly gaining the attention of the plant science community to improve agricultural productivity. This work aims to generate synthetic forestry images that satisfy certain phenotypic attributes, viz. canopy greenness. We harness a Generative Adversarial Network (GAN) to synthesize biologically plausible and phenotypically stable forestry images conditioned on the greenness of vegetation (a continuous attribute) over a specific region of interest (describing a particular vegetation type in a mixed forest). The training data is based on the automated digital camera imagery provided by the National Ecological Observatory Network (NEON) and processed by the PhenoCam Network. Our method helps render the appearance of forest sites specific to a greenness value. The synthetic images are utilized to predict another phenotypic attribute, viz., redness of plants. The Structural SIMilarity (SSIM) index is used to assess the quality of the synthetic images. The greenness and redness indices of the generated synthetic images are compared against that of the original images using Root Mean Squared Percentage Error (RMSPE) to evaluate their accuracy and integrity. The generalizability and scalability of our proposed GAN model is determined by effectively transforming it to generate synthetic images for other forest sites and vegetation types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google