論文の概要: Predicting rice blast disease: machine learning versus process based models

• arxiv url: http://arxiv.org/abs/2004.01602v1
• Date: Fri, 3 Apr 2020 14:48:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:11:17.286858
• Title: Predicting rice blast disease: machine learning versus process based models
• Title（参考訳）: 米の発病病予測: 機械学習とプロセスベースモデル
• Authors: David F. Nettleton, Dimitrios Katsantonis, Argyris Kalaitzidis, Natasa Sarafijanovic-Djukic, Pau Puigdollers and Roberto Confalonieri
• Abstract要約: 稲芽病は水稲栽培において最も重要な生物的制約であり、毎年何百万ドルもの損失を生んでいる。 稲芽予測は、稲作農家が病気を抑えるための主要な手段である。 本研究は,植物病害管理を支援するためのプロセスベースおよび機械学習モデリングアプローチを初めて比較したものである。
• 参考スコア（独自算出の注目度）: 0.7130302992490972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rice is the second most important cereal crop worldwide, and the first in terms of number of people who depend on it as a major staple food. Rice blast disease is the most important biotic constraint of rice cultivation causing each year millions of dollars of losses. Despite the efforts for breeding new resistant varieties, agricultural practices and chemical control are still the most important methods for disease management. Thus, rice blast forecasting is a primary tool to support rice growers in controlling the disease. In this study, we compared four models for predicting rice blast disease, two operational process-based models (Yoshino and WARM) and two approaches based on machine learning algorithms (M5Rules and RNN), the former inducing a rule-based model and the latter building a neural network. In situ telemetry is important to obtain quality in-field data for predictive models and this was a key aspect of the RICE-GUARD project on which this study is based. According to the authors, this is the first time process-based and machine learning modelling approaches for supporting plant disease management are compared.
• Abstract（参考訳）: 米は世界で2番目に重要な穀物作物であり、主要な主食として依存する人々の数で最初のものである。 米の発芽病は、毎年何百万ドルもの損失をもたらす水稲栽培の最も重要な生物的制約である。 新しい耐性品種の育成努力にもかかわらず、農業の慣行と化学制御は依然として病気管理の最も重要な方法である。 このように、稲芽予測は、稲作農家が病気を抑えるための主要な手段である。 本研究では,米の発芽病を予測するための4つのモデルと,2つのプロセスベースモデル(吉野とウォーム)と,機械学習アルゴリズム(m5rulesとrnn)に基づく2つのアプローチを比較した。 In situテレメトリは、予測モデルのための高品質なフィールドデータを得るために重要であり、この研究をベースとしたRICE-GUARDプロジェクトの重要な側面であった。 著者らによると、植物病害管理を支援するプロセスベースおよび機械学習モデリングアプローチの比較は、これが初めてである。

関連論文リスト

• Exploring the Feasibility of Deep Learning Models for Long-term Disease Prediction: A Case Study for Wheat Yellow Rust in England [6.760255060153002]
  本研究は,イギリスにおけるコムギ黄さびの発生予測に深層学習モデルの適用可能性について検討した。 完全に接続されたニューラルネットワークと長時間の短期記憶を含む2つのディープラーニングモデルを採用しています。 予備的な結果は、深層学習モデルが、病気のダイナミクスに影響を与える複数の要因間の複雑な相互作用を効果的に捉えることができることを示している。
  論文  参考訳（メタデータ） (2025-01-26T21:22:54Z)
• Empowering Agricultural Insights: RiceLeafBD - A Novel Dataset and Optimal Model Selection for Rice Leaf Disease Diagnosis through Transfer Learning Technique [3.5432439534255002]
  世界の人口の半数以上に食糧を供給するため、米は最も重要な栽培作物の1つである。 早期の病原体検出は、稲作の栽培において主要な困難である。 このデータを用いて, イネの葉に影響を及ぼす病原体を正確に, 効果的に同定できることが実証された。
  論文  参考訳（メタデータ） (2025-01-15T16:20:26Z)
• Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
  農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。 このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。 本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:34:23Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Rice paddy disease classifications using CNNs [0.0]
  米は世界有数の食料であるが、毎年大量の作物の収穫が病気によって失われている。 この問題に対処するため、人々は病気の診断を自動化する方法を模索してきた。 ここでは、モデルアーキテクチャとコンピュータビジョン技術の両方に対して、疾患分類精度がどのように敏感であるかを分析することによって、従来のモデリング作業を拡張した。
  論文  参考訳（メタデータ） (2023-03-15T07:31:06Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Automated Wheat Disease Detection using a ROS-based Autonomous Guided UAV [0.0]
  小麦畑のモニタリング作業を自動化するために、無人航空機にスマート自律システムが実装されている。 画像に基づくディープラーニングアプローチは、病気に感染した小麦の植物を検出し分類するために用いられる。 ロボットオペレーティングシステムとガゼボ環境におけるシミュレーションを用いて,マッピングとナビゲーションシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-30T06:12:48Z)
• An Effective Scheme for Maize Disease Recognition based on Deep Networks [0.0]
  植物の病気は食品の安全性に影響を与え、農産物の品質と量を大幅に減少させる。 病気の正確かつタイムリーな診断には多くの課題がある。 本研究は、上記の課題を克服するために、ディープニューラルネットワークに基づく新しいスキームを提案する。
  論文  参考訳（メタデータ） (2022-05-09T12:37:11Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)

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。