論文の概要: Semi-supervised Soil Moisture Prediction through Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2012.03506v1
• Date: Mon, 7 Dec 2020 07:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 04:27:37.418414
• Title: Semi-supervised Soil Moisture Prediction through Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる半教師付き土壌水分予測
• Authors: Anoushka Vyas, Sambaran Bandyopadhyay
• Abstract要約: 本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
• 参考スコア（独自算出の注目度）: 12.891517184512551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent improvement and availability of remote satellite and IoT data offers interesting and diverse applications of artificial intelligence in precision agriculture. Soil moisture is an important component of multiple agricultural and food supply chain practices. It measures the amount of water stored in various depth of soil. Existing data driven approaches for soil moisture prediction use conventional models which fail to capture the dynamic dependency of soil moisture values in near-by locations over time. In this work, we propose to convert the problem of soil moisture prediction as a semi-supervised learning on temporal graphs. We propose a dynamic graph neural network which can use the dependency of related locations over a region to predict soil moisture. However, unlike social or information networks, graph structure is not explicitly given for soil moisture prediction. Hence, we incorporate the problem of graph structure learning in the framework of dynamic GNN. Our algorithm, referred as DGLR, provides an end-to-end learning which can predict soil moisture over multiple locations in a region over time and also update the graph structure in between. Our solution achieves state-of-the-art results on real-world soil moisture datasets compared to existing machine learning approaches.
• Abstract（参考訳）: リモート衛星とIoTデータの最近の改良と可用性は、精密農業における人工知能の興味深い多様な応用を提供する。 土壌水分は農業と食料のサプライチェーンにおいて重要な要素である。 土壌のさまざまな深さに蓄積される水量を測定する。 土壌水分予測のための既存のデータ駆動アプローチは、時間とともに近傍の土壌水分値の動的依存性を捉えない従来のモデルを用いる。 本研究では,土壌水分予測の問題を時間グラフに基づく半教師付き学習として変換することを提案する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 しかし、社会や情報ネットワークとは異なり、土壌水分予測にはグラフ構造が明確に与えられていない。 そこで我々は,グラフ構造学習の問題を動的GNNの枠組みに取り入れた。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。 我々のソリューションは、既存の機械学習手法と比較して、現実世界の土壌水分データセットの最先端結果を達成する。

関連論文リスト

• MIS-ME: A Multi-modal Framework for Soil Moisture Estimation [0.5235143203977018]
  地上局から撮影した実世界の画像とそれに対応する気象データからなるデータセットを開発した。 また,MIS-ME-Meteorological & Imageベースの土壌水分計を提案する。 分析の結果,MIS-MEのMAPEは10.14%であり,従来の単潮流法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-02T00:35:18Z)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• 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)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• Forecasting Soil Moisture Using Domain Inspired Temporal Graph Convolution Neural Networks To Guide Sustainable Crop Management [0.0]
  本研究の目的は,農業経営の意思決定にドメイン知識と機械学習を用いて土壌水分を予測することである。 このドメイン知識にインスパイアされた我々は、新しいドメインインスパイアされた時間グラフ畳み込みニューラルネットワークを構築した。 我々は,40年間にわたる約99,000個の水文応答ユニットからなるフィールドスケール時系列データに対して,本手法を訓練し,検証し,検証した。
  論文  参考訳（メタデータ） (2022-12-12T14:36:39Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• SMArtCast: Predicting soil moisture interpolations into the future using Earth observation data in a deep learning framework [0.8399688944263843]
  本研究では,衛星画像から土壌水分と植生の計測を行った。 システムは、これらの測定の将来の値を予測することを学習する。 これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
  論文  参考訳（メタデータ） (2020-03-16T23:06:14Z)

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。