論文の概要: Handling Climate Change Using Counterfactuals: Using Counterfactuals in
Data Augmentation to Predict Crop Growth in an Uncertain Climate Future
- arxiv url: http://arxiv.org/abs/2104.04008v1
- Date: Thu, 8 Apr 2021 18:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 14:06:45.320425
- Title: Handling Climate Change Using Counterfactuals: Using Counterfactuals in
Data Augmentation to Predict Crop Growth in an Uncertain Climate Future
- Title（参考訳）: カウンターファクトリアルを用いた気候変動の処理--データ拡張による不確実な気候における作物の成長予測
- Authors: Mohammed Temraz and Eoin Kenny and Elodie Ruelle and Laurence Shalloo
and Barry Smyth and Mark T Keane
- Abstract要約: 牧草地管理を支援することで、持続可能な乳製品栽培を支援するために設計されたCBRシステムを検討する。
気候変動に伴い、PBI-CBRの歴史的事例は将来の草の成長を予測するのに役に立ちません。
我々は、データ拡張を用いてPBI-CBRを拡張し、特に破壊的な気候イベントをカウンターファクトカル手法を用いて処理する。
- 参考スコア（独自算出の注目度）: 10.846915173217477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate change poses a major challenge to humanity, especially in its impact
on agriculture, a challenge that a responsible AI should meet. In this paper,
we examine a CBR system (PBI-CBR) designed to aid sustainable dairy farming by
supporting grassland management, through accurate crop growth prediction. As
climate changes, PBI-CBRs historical cases become less useful in predicting
future grass growth. Hence, we extend PBI-CBR using data augmentation, to
specifically handle disruptive climate events, using a counterfactual method
(from XAI). Study 1 shows that historical, extreme climate-events (climate
outlier cases) tend to be used by PBI-CBR to predict grass growth during
climate disrupted periods. Study 2 shows that synthetic outliers, generated as
counterfactuals on a outlier-boundary, improve the predictive accuracy of
PBICBR, during the drought of 2018. This study also shows that an
instance-based counterfactual method does better than a benchmark,
constraint-guided method.
- Abstract（参考訳）: 気候変動は人類にとって大きな課題であり、特に農業への影響において、責任あるAIが直面するべき課題である。
本稿では,草地経営支援による持続的農業を支援するcbrシステム(pbi-cbr)について,作物生育予測の正確性について検討する。
気候変動に伴い、PBI-CBRの歴史的ケースは将来の草の生育を予測するのにあまり役に立たない。
したがって、データ拡張を用いてPBI-CBRを拡張し、(XAIからの)反ファクト的手法を用いて、特に破壊的な気候イベントに対処する。
研究1は、PBI-CBRが気候破壊期における草の生長を予測するために、歴史的、極端な気候変動(気候異常なケース)を使用する傾向があることを示している。
研究2では,2018年の干ばつ時のpbicbrの予測精度が,アウトバウンダリ上の反事実として生成される合成異常値によって向上することを示した。
この研究では、インスタンスベースのカウンターファクチュアルメソッドが、ベンチマーク、制約誘導メソッドよりも優れていることも示しています。
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) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-19T03:38:53Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - CMIP X-MOS: Improving Climate Models with Extreme Model Output
Statistics [40.517778024431244]
自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。
この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。
これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
論文 参考訳（メタデータ） (2023-10-24T13:18:53Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - On the Generalization of Agricultural Drought Classification from
Climate Data [0.1908788674366693]
干ばつの発生は遅く、様々な外部要因に依存するため、気候データの干ばつ検出は困難である。
我々は,水文モデルから得られた土壌水分指数(SMI)を構築した。
SMIに基づく干ばつ分類において,異なるモデルと逐次帰納的バイアスを伴わないモデルを比較した。
論文 参考訳（メタデータ） (2021-11-30T14:49:46Z) - Crop Yield Prediction Integrating Genotype and Weather Variables Using
Deep Learning [8.786816847837976]
我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。
我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。
異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
論文 参考訳（メタデータ） (2020-06-24T16:20:12Z)
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。