論文の概要: A Deep Neural Network Approach for Crop Selection and Yield Prediction in Bangladesh

• arxiv url: http://arxiv.org/abs/2108.03320v1
• Date: Fri, 6 Aug 2021 22:25:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:14:10.796897
• Title: A Deep Neural Network Approach for Crop Selection and Yield Prediction in Bangladesh
• Title（参考訳）: バングラデシュにおける作物選択と収量予測のためのディープニューラルネットワークアプローチ
• Authors: Tanhim Islam, Tanjir Alam Chisty, Amitabha Chakrabarty
• Abstract要約: 本稿では,最小コストと労力で作物の選別と収量予測の最良の方法を示す。 本稿では,農業作物の選択と収量予測にディープニューラルネットワークを用いることを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agriculture is the essential ingredients to mankind which is a major source of livelihood. Agriculture work in Bangladesh is mostly done in old ways which directly affects our economy. In addition, institutions of agriculture are working with manual data which cannot provide a proper solution for crop selection and yield prediction. This paper shows the best way of crop selection and yield prediction in minimum cost and effort. Artificial Neural Network is considered robust tools for modeling and prediction. This algorithm aims to get better output and prediction, as well as, support vector machine, Logistic Regression, and random forest algorithm is also considered in this study for comparing the accuracy and error rate. Moreover, all of these algorithms used here are just to see how well they performed for a dataset which is over 0.3 million. We have collected 46 parameters such as maximum and minimum temperature, average rainfall, humidity, climate, weather, and types of land, types of chemical fertilizer, types of soil, soil structure, soil composition, soil moisture, soil consistency, soil reaction and soil texture for applying into this prediction process. In this paper, we have suggested using the deep neural network for agricultural crop selection and yield prediction.
• Abstract（参考訳）: 農業は生活の主要な源である人類にとって必須の材料である。 バングラデシュの農業は主に、経済に直接影響を及ぼす古い方法で行われている。 さらに、農業機関は、作物の選択と収量予測の適切なソリューションを提供しないマニュアルデータに取り組んでいる。 本稿では,最小コストと労力で作物の選択と収量予測の最良の方法を示す。 ニューラルネットワークはモデリングや予測にロバストなツールだと考えられている。 このアルゴリズムは、より良い出力と予測と、サポートベクターマシン、ロジスティック回帰、ランダムフォレストアルゴリズムを目的とし、精度と誤差率を比較する。 さらに、これらのアルゴリズムはすべて、0.3百万を超えるデータセットに対して、どれだけうまく機能したかを確認するためだけに使われる。 我々は, 最大および最低気温, 平均降雨量, 湿度, 気候, 土地の種類, 化学肥料の種類, 土壌の種類, 土壌構造, 土壌組成, 土壌水分, 土壌水分, 土壌反応, 土壌テクスチャなど46のパラメータを収集し, 予測プロセスに適用した。 本稿では,農業作物の選択と収量予測にディープニューラルネットワークを用いることを提案する。

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)
• Naïve Bayes and Random Forest for Crop Yield Prediction [0.0]
  本研究は、1997年から2020年までのインドにおける作物収量予測を、様々な作物や重要な環境要因に着目して分析した。 これは、線形回帰、決定木、KNN、ナイーブベイズ、K平均クラスタリング、ランダムフォレストといった先進的な機械学習技術を活用することで、農業の収量を予測することを目的としている。
  論文  参考訳（メタデータ） (2024-04-23T16:55:45Z)
• A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
  バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。 推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
  論文  参考訳（メタデータ） (2024-03-28T09:57:50Z)
• Cotton Yield Prediction Using Random Forest [1.8887119618534647]
  温暖化による農業技術は、操業費を減らしながら収量を増やすために開発されている。 作物の収量予測は、作物、土壌タイプ、管理、害虫・病気、気候、気象パターンの複雑で非線形な影響により困難である。 我々は、気候変動、土壌の多様性、品種、無機窒素レベルを考慮して、生産予測に機械学習(ML)を採用している。
  論文  参考訳（メタデータ） (2023-12-04T19:33:29Z)
• 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)
• Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning [0.2580765958706853]
  冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。 いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。 本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
  論文  参考訳（メタデータ） (2023-06-20T23:52:39Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Comparison of Machine Learning Methods for Predicting Winter Wheat Yield in Germany [0.0]
  本研究は冬季小麦収量予測のための異なる機械学習手法の性能を分析した。 季節性に対処するため、土壌の湿潤条件や気象現象を考慮に入れた週ごとの特徴が用いられた。
  論文  参考訳（メタデータ） (2021-05-04T04:40:53Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。