Accurate Water Level Monitoring in AWD Rice Cultivation Using Convolutional Neural Networks

要約

交互湿潤乾燥法 (AWD) 法は、連続湛水法 (CF) に代わる持続可能な代替法として推進されている稲作水管理技術です。
気候変動により、特に世界的な水資源がますます不足し、灌漑低地での米生産に影響を与える中、農業セクターは困難な立場に置かれています。
世界人口の半数以上の主食である米は、他の主要作物よりもはるかに多くの水を必要とします。
バングラデシュでは、特にボロ米の栽培中に大量の水の投入が必要です。
従来、農家は手動で水位を測定していましたが、このプロセスは時間がかかり、間違いが発生しやすいものでした。
超音波センサーは水高測定の改善をもたらしますが、気象条件や環境要因の影響を受けやすいなどの制限に依然として直面しています。
これらの問題に対処するために、コンピューター ビジョン、特に畳み込みニューラル ネットワーク (CNN) を使用して水高測定を自動化する新しいアプローチを提案します。
当社の注意ベースのアーキテクチャは、$R^2$ スコア 0.9885 と平均二乗誤差 (MSE) 0.2766 を達成し、AWD システムを管理するためのより正確かつ効率的なソリューションを提供しました。

要約(オリジナル)

The Alternate Wetting and Drying (AWD) method is a rice-growing water management technique promoted as a sustainable alternative to Continuous Flooding (CF). Climate change has placed the agricultural sector in a challenging position, particularly as global water resources become increasingly scarce, affecting rice production on irrigated lowlands. Rice, a staple food for over half of the world’s population, demands significantly more water than other major crops. In Bangladesh, Boro rice, in particular, requires considerable water inputs during its cultivation. Traditionally, farmers manually measure water levels, a process that is both time-consuming and prone to errors. While ultrasonic sensors offer improvements in water height measurement, they still face limitations, such as susceptibility to weather conditions and environmental factors. To address these issues, we propose a novel approach that automates water height measurement using computer vision, specifically through a convolutional neural network (CNN). Our attention-based architecture achieved an $R^2$ score of 0.9885 and a Mean Squared Error (MSE) of 0.2766, providing a more accurate and efficient solution for managing AWD systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google