論文の概要: Coupling Machine Learning and Crop Modeling Improves Crop Yield
Prediction in the US Corn Belt
- arxiv url: http://arxiv.org/abs/2008.04060v2
- Date: Mon, 1 Mar 2021 19:50:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 03:18:21.226764
- Title: Coupling Machine Learning and Crop Modeling Improves Crop Yield
Prediction in the US Corn Belt
- Title（参考訳）: 米国トウモロコシベルトの作物収量予測を改良した機械学習と作物のモデリング
- Authors: Mohsen Shahhosseini, Guiping Hu, Sotirios V. Archontoulis, Isaiah
Huber
- Abstract要約: 本研究では,米コーンベルトにおける作物モデルと機械学習(ML)の結合によるトウモロコシ収量予測の改善について検討した。
主な目的は、ハイブリッドアプローチ(クロップモデリング+ML)がより良い予測をもたらすかどうかを探求し、トウモロコシ収量予測のためにMLと最も効果的に統合できる作物モデルから特徴を決定することである。
- 参考スコア（独自算出の注目度）: 2.580765958706854
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: This study investigates whether coupling crop modeling and machine learning
(ML) improves corn yield predictions in the US Corn Belt. The main objectives
are to explore whether a hybrid approach (crop modeling + ML) would result in
better predictions, investigate which combinations of hybrid models provide the
most accurate predictions, and determine the features from the crop modeling
that are most effective to be integrated with ML for corn yield prediction.
Five ML models (linear regression, LASSO, LightGBM, random forest, and XGBoost)
and six ensemble models have been designed to address the research question.
The results suggest that adding simulation crop model variables (APSIM) as
input features to ML models can decrease yield prediction root mean squared
error (RMSE) from 7 to 20%. Furthermore, we investigated partial inclusion of
APSIM features in the ML prediction models and we found soil moisture related
APSIM variables are most influential on the ML predictions followed by
crop-related and phenology-related variables. Finally, based on feature
importance measure, it has been observed that simulated APSIM average drought
stress and average water table depth during the growing season are the most
important APSIM inputs to ML. This result indicates that weather information
alone is not sufficient and ML models need more hydrological inputs to make
improved yield predictions.
- Abstract（参考訳）: 本研究では,米トウモロコシベルトにおける作物モデルと機械学習(ml)の結合がトウモロコシ収量予測を改善するかを検討する。
主な目的は、ハイブリッドアプローチ(crop modeling + ml)がより良い予測をもたらすかどうかを調べ、最も正確な予測を提供するハイブリッドモデルの組み合わせを調査し、トウモロコシ収量予測のためにmlと統合するのが最も効果的である作物モデリングから特徴を決定することである。
5つのMLモデル(線形回帰、LASSO、LightGBM、ランダムフォレスト、XGBoost)と6つのアンサンブルモデルが研究課題に対処するために設計されている。
その結果,MLモデルに入力特徴としてシミュレーション作物モデル変数(APSIM)を追加することで,収率予測根平均二乗誤差(RMSE)を7～20%削減できることがわかった。
さらに, ML予測モデルにAPSIMの特徴を部分的に含み, 土壌水分関連APSIM変数がML予測に最も影響していること, そして作物関連および表現学関連変数について検討した。
最後に, 特徴量から, 成長期におけるAPSIM平均干ばつ応力と平均水テーブル深さがMLへの最も重要なAPSIM入力であることがわかった。
この結果は、気象情報だけでは不十分であり、mlモデルは収量予測を改善するためにより多くの水文入力を必要とすることを示している。
関連論文リスト
- Training Compute-Optimal Protein Language Models [48.79416103951816]
ほとんどのタンパク質言語モデルは、パフォーマンスが高くなるまで広範囲の計算資源で訓練されている。
調査は、9億3900万のタンパク質配列からなる膨大なデータセットに基づいて行われた。
私たちは、350万から107億のパラメータから5から200億のユニークなトークンまで、300以上のモデルをトレーニングしました。
論文 参考訳（メタデータ） (2024-11-04T14:58:37Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。
本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。
その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文 参考訳（メタデータ） (2024-04-04T10:54:38Z) - Simulation-Enhanced Data Augmentation for Machine Learning Pathloss
Prediction [9.664420734674088]
本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。
本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。
合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
論文 参考訳（メタデータ） (2024-02-03T00:38:08Z) - Ensemble models outperform single model uncertainties and predictions
for operator-learning of hypersonic flows [43.148818844265236]
限られた高忠実度データに基づく科学機械学習(SciML)モデルのトレーニングは、これまで見たことのない状況に対する行動の迅速な予測に1つのアプローチを提供する。
高忠実度データは、探索されていない入力空間におけるSciMLモデルのすべての出力を検証するために、それ自体が限られた量である。
我々は3つの異なる不確実性メカニズムを用いてDeepONetを拡張した。
論文 参考訳（メタデータ） (2023-10-31T18:07:29Z) - Towards Machine Learning-based Fish Stock Assessment [0.0]
本稿では,機械学習モデルを用いたストックパラメータの推定と予測の改善について検討する。
本稿では,古典統計ストックアセスメントモデルと教師付きMLを組み合わせたハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2023-08-07T08:44:15Z) - A Deep Learning Model for Heterogeneous Dataset Analysis -- Application
to Winter Wheat Crop Yield Prediction [0.6595290783361958]
LSTM(Long Short Term Memory)のような時系列深層学習モデルはすでに検討され、予測に応用されている。
既存のLSTMは異種データセットを扱えない。
ヘテロジニアスデータセットを扱うことができる効率的なディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2023-06-20T23:39:06Z) - A Comprehensive Modeling Approach for Crop Yield Forecasts using
AI-based Methods and Crop Simulation Models [0.21094707683348418]
本稿では,データ駆動型ソリューション,作物シミュレーションモデル,モデルサロゲートを組み合わせた収量予測のための総合的アプローチを提案する。
データ駆動型モデリング手法は従来の手法よりも91%近い収率相関予測で優れていた。
論文 参考訳（メタデータ） (2023-06-16T18:13:24Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳（メタデータ） (2023-05-22T17:02:15Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - Forecasting Corn Yield with Machine Learning Ensembles [2.9005223064604078]
本稿では,米コーンベルト州3州(イリノイ州,インディアナ州,アイオワ州)でトウモロコシの収量を予測するための機械学習ベースのフレームワークを提供する。
いくつかのアンサンブルモデルは、ブロックされたシーケンシャルプロシージャを使用して、バッグ外予測を生成する。
その結果,基本学習者の重み付き平均に基づくアンサンブルモデルは,個々のモデルよりも優れていた。
論文 参考訳（メタデータ） (2020-01-18T03:55:20Z)
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。