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
- Machine Learning in management of precautionary closures caused by
lipophilic biotoxins [43.51581973358462]
ムッセル農業は最も重要な水産産業の1つである。
ムッセル農業の主なリスクは有害な藻類開花(HABs)であり、人間の消費に危険をもたらす。
本研究は,予防的クロージャの適用を支援する予測モデルを提案する。
論文 参考訳(メタデータ) (2024-02-14T15:51:58Z) - AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。
提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
論文 参考訳(メタデータ) (2023-07-23T19:58:40Z) - Early Detection of Late Blight Tomato Disease using Histogram Oriented
Gradient based Support Vector Machine [0.0]
本研究は,トマトの遅発性病を早期に検出するための新しいスマート技術を提案する。
提案したSVMとHOGのハイブリッドアルゴリズムは,トマトの遅発性病の早期発見に有意な可能性を秘めている。
論文 参考訳(メタデータ) (2023-06-14T07:58:14Z) - 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) - Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point
Process View [44.67854875502783]
1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。
この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。
本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
論文 参考訳(メタデータ) (2021-06-24T15:26:46Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳(メタデータ) (2020-12-14T10:44:22Z)
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。