論文の概要: Predicting Regional Locust Swarm Distribution with Recurrent Neural
Networks
- arxiv url: http://arxiv.org/abs/2011.14371v1
- Date: Sun, 29 Nov 2020 14:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 08:59:26.093450
- Title: Predicting Regional Locust Swarm Distribution with Recurrent Neural
Networks
- Title（参考訳）: リカレントニューラルネットワークによる局所ロカスト群分布の予測
- Authors: Hadia Mohmmed Osman Ahmed Samil, Annabelle Martin, Arnav Kumar Jain,
Susan Amin and Samira Ebrahimi Kahou
- Abstract要約: アフリカ、アジア、中東など世界の一部の地域でのローカスト感染が問題となっている。
ここでは、国連食糧農業機関が公表した利用可能なデータを用いて、機械学習を用いてロカスト群の位置を予測する。
データは、観測された群れの位置と、土壌の水分や植生の密度を含む環境情報を含んでいる。
- 参考スコア（独自算出の注目度）: 8.185302943972838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Locust infestation of some regions in the world, including Africa, Asia and
Middle East has become a concerning issue that can affect the health and the
lives of millions of people. In this respect, there have been attempts to
resolve or reduce the severity of this problem via detection and monitoring of
locust breeding areas using satellites and sensors, or the use of chemicals to
prevent the formation of swarms. However, such methods have not been able to
suppress the emergence and the collective behaviour of locusts. The ability to
predict the location of the locust swarms prior to their formation, on the
other hand, can help people get prepared and tackle the infestation issue more
effectively. Here, we use machine learning to predict the location of locust
swarms using the available data published by the Food and Agriculture
Organization of the United Nations. The data includes the location of the
observed swarms as well as environmental information, including soil moisture
and the density of vegetation. The obtained results show that our proposed
model can successfully, and with reasonable precision, predict the location of
locust swarms, as well as their likely level of damage using a notion of
density.
- Abstract（参考訳）: アフリカ、アジア、中東を含む世界の一部の地域での流行は、何百万人もの人々の健康と生活に影響を与える可能性がある問題となっている。
この点に関して、衛星やセンサーを用いたロカスト繁殖領域の検出とモニタリング、あるいは群れの形成を防ぐための化学物質の使用により、この問題の深刻さを解消または軽減する試みがある。
しかし,このような手法はロカストの出現や集団行動を抑えることはできなかった。
一方、形成前にロカスト群の位置を予測できる能力は、人々がより効果的に感染の問題を準備し対処するのに役立ちます。
ここでは、国連食糧農業機関が公表した利用可能なデータを用いて、機械学習を用いてロカスト群の位置を予測する。
データは、観測された群れの位置と、土壌の水分や植生の密度を含む環境情報を含んでいる。
得られた結果から,提案モデルでは,ロカスト群の位置を精度良く予測できるだけでなく,密度の概念による損傷の程度も予測できることがわかった。
関連論文リスト
- 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) - Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には 最大限の可能性を実現するために 最適化が必要です
これは選択的育種による興味のある形質の改善が目的である。
このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-06-26T07:50:58Z) - A Geospatial Approach to Predicting Desert Locust Breeding Grounds in Africa [3.6826233660285395]
ロカスト群れは農業と食料安全保障に 大きな脅威を与えます
本研究は,ロカスト繁殖場予測のための操作可能なモデルを開発した。
論文 参考訳（メタデータ） (2024-03-11T16:13:58Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳（メタデータ） (2023-11-02T02:00:27Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳（メタデータ） (2023-06-05T03:36:01Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳（メタデータ） (2022-08-23T16:04:12Z) - Pest presence prediction using interpretable machine learning [0.0]
コットン・ボルワーム(Cotton bollworm)は、綿花の収穫と品質を脅かす深刻な害虫である。
気象・気候・植生条件は、作物害虫の豊富性の鍵要因として特定されている。
論文 参考訳（メタデータ） (2022-05-16T14:40:03Z) - Autonomous Mosquito Habitat Detection Using Satellite Imagery and
Convolutional Neural Networks for Disease Risk Mapping [0.0]
モスキトベクターは毎年100万人以上の死者を出す病気の感染で知られている。
ドローン、UAV、その他の空中撮像技術といった現代のアプローチは、実装にコストがかかり、より精密な空間スケールでのみ正確である。
提案した畳み込みニューラルネットワーク(CNN)アプローチは、疾病リスクマッピングや、よりグローバルなスケールでの予防的取り組みのガイドに応用することができる。
論文 参考訳（メタデータ） (2022-03-09T00:54:59Z) - On the use of uncertainty in classifying Aedes Albopictus mosquitoes [1.6758573326215689]
畳み込みニューラルネットワーク(CNN)は、画像中の蚊を認識するためにいくつかの研究で使われてきた。
本稿では,モンテカルロ・ドロップアウト法を用いて不確実性のスコアを推定し,分類標本のランク付けを行う。
論文 参考訳（メタデータ） (2021-10-29T16:58:25Z) - C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods
Ahead of COVID-19 Outbreak [54.39837683016444]
C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。
C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。
新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
論文 参考訳（メタデータ） (2020-12-22T17:02:54Z) - Weakly Supervised Learning Guided by Activation Mapping Applied to a
Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。
我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。
2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文 参考訳（メタデータ） (2020-04-22T01:26:50Z)
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。