論文の概要: Data Pre-Processing and Evaluating the Performance of Several Data Mining Methods for Predicting Irrigation Water Requirement

• arxiv url: http://arxiv.org/abs/2003.00411v1
• Date: Sun, 1 Mar 2020 05:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 13:05:47.742516
• Title: Data Pre-Processing and Evaluating the Performance of Several Data Mining Methods for Predicting Irrigation Water Requirement
• Title（参考訳）: 灌水水需要予測のための複数のデータマイニング手法の事前処理と性能評価
• Authors: Mahmood A. Khan, Md Zahidul Islam, Mohsin Hafeez
• Abstract要約: 近年の干ばつや人口増加は、利用可能な限られた水資源の使用に対する前例のない需要を植え付けている。 灌水地域の水管理を改善するためには,将来的な水需要の予測モデルが必要である。 データマイニングはそのようなモデルを構築するのに効果的に利用できる。
• 参考スコア（独自算出の注目度）: 2.2108425580353774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent drought and population growth are planting unprecedented demand for the use of available limited water resources. Irrigated agriculture is one of the major consumers of freshwater. A large amount of water in irrigated agriculture is wasted due to poor water management practices. To improve water management in irrigated areas, models for estimation of future water requirements are needed. Developing a model for forecasting irrigation water demand can improve water management practices and maximise water productivity. Data mining can be used effectively to build such models. In this study, we prepare a dataset containing information on suitable attributes for forecasting irrigation water demand. The data is obtained from three different sources namely meteorological data, remote sensing images and water delivery statements. In order to make the prepared dataset useful for demand forecasting and pattern extraction, we pre-process the dataset using a novel approach based on a combination of irrigation and data mining knowledge. We then apply and compare the effectiveness of different data mining methods namely decision tree (DT), artificial neural networks (ANNs), systematically developed forest (SysFor) for multiple trees, support vector machine (SVM), logistic regression, and the traditional Evapotranspiration (ETc) methods and evaluate the performance of these models to predict irrigation water demand. Our experimental results indicate the usefulness of data pre-processing and the effectiveness of different classifiers. Among the six methods we used, SysFor produces the best prediction with 97.5% accuracy followed by a decision tree with 96% and ANN with 95% respectively by closely matching the predictions with actual water usage. Therefore, we recommend using SysFor and DT models for irrigation water demand forecasting.
• Abstract（参考訳）: 近年の干ばつや人口増加は、利用可能な限られた水資源の使用に対する前例のない需要を植え付けている。 農業は淡水の主要な消費者の1つである。 灌水農業における大量の水は、水管理の貧弱さから無駄になっている。 灌水地域の水管理を改善するためには,将来的な水需要推定モデルが必要である。 水需要予測モデルの開発は、水管理の実践を改善し、水生産性を最大化することができる。 データマイニングはそのようなモデルを構築するのに効果的に利用できる。 本研究では,灌水需要予測に適した属性情報を含むデータセットを作成した。 データは気象データ、リモートセンシング画像、給水ステートメントという3つの異なるソースから取得される。 用意したデータセットを需要予測やパターン抽出に役立てるために,灌水とデータマイニングの知識を組み合わせた新しい手法を用いてデータセットを事前処理する。 次に,様々なデータマイニング手法 (決定木 (dt), 人工ニューラルネットワーク (anns), 体系的に開発された多木用フォレスト (sysfor) , サポートベクタマシン (svm) , ロジスティック回帰 (ロジスティック回帰), 従来の蒸発散水 (etc) 法) の有効性を比較し, これらのモデルの性能を評価し, 灌水水需要を予測する。 実験の結果,データ前処理の有用性と異なる分類器の有効性が示唆された。 使用した6つの手法のうち、SysForは97.5%の精度で最高の予測を生成し、96%の判定木と95%のANNの判定木を生成する。 そこで我々は,SysForモデルとDTモデルを用いて水需要予測を行う。

関連論文リスト

• Towards a Theoretical Understanding of Memorization in Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(GenAI)の主流モデルとして採用されている。 モデル収束を前提とした条件付きおよび非条件付きDPMにおける記憶の理論的理解を提供する。 本研究では、生成されたデータに基づいて訓練された時間依存型分類器を代理条件として利用し、無条件DPMからトレーニングデータを抽出する、textbfSurrogate condItional Data extract (SIDE) という新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T13:17:06Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling [0.20999222360659603]
  農業部門は水資源の保全と収穫量の最適化において大きな課題に直面している。 従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることがしばしば証明される。 本稿では,機械学習の3つのパラダイムを活用して,灌水スケジュールを最適化する予測灌水スケジューラを提案する。
  論文  参考訳（メタデータ） (2023-06-14T19:38:44Z)
• Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field [4.091593765662773]
  農業用水は淡水消費に大きく寄与している。 現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。 本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-04T01:04:53Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Towards a Multimodal System for Precision Agriculture using IoT and Machine Learning [0.5249805590164902]
  データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。 作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。 VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
  論文  参考訳（メタデータ） (2021-07-10T19:19:45Z)
• High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
  地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。 我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。 本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
  論文  参考訳（メタデータ） (2020-12-09T17:26:43Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。