論文の概要: Mulberry Leaf Yield Prediction Using Machine Learning Techniques
- arxiv url: http://arxiv.org/abs/2110.01394v1
- Date: Thu, 30 Sep 2021 09:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:25:01.519588
- Title: Mulberry Leaf Yield Prediction Using Machine Learning Techniques
- Title（参考訳）: 機械学習を用いたマルベリー葉収量予測
- Authors: Srikantaiah K C, Deeksha A
- Abstract要約: インドはムルベリーの葉を大量に生産し、生の絹を生産する。
ほとんどの農家は、葉が栄養不良になるため、土壌の性質や無生物的な要因にほとんど注意を払わない。
農夫は、自分の土地が生産できる収量を知ることで、事前に計画できることが有益である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Soil nutrients are essential for the growth of healthy crops. India produces
a humungous quantity of Mulberry leaves which in turn produces the raw silk.
Since the climatic conditions in India is favourable, Mulberry is grown
throughout the year. Majority of the farmers hardly pay attention to the nature
of soil and abiotic factors due to which leaves become malnutritious and thus
when they are consumed by the silkworm, desired quality end-product, raw silk,
will not be produced. It is beneficial for the farmers to know the amount of
yield that their land can produce so that they can plan in advance. In this
paper, different Machine Learning techniques are used in predicting the yield
of the Mulberry crops based on the soil parameters. Three advanced
machine-learning models are selected and compared, namely, Multiple linear
regression, Ridge regression and Random Forest Regression (RF). The
experimental results show that Random Forest Regression outperforms other
algorithms.
- Abstract（参考訳）: 土壌の栄養素は健康な作物の成長に不可欠である。
インドはムルベリーの葉を大量に生産し、生の絹を生産する。
インドの気候は好まれるため、マルベリーは年間を通じて栽培されている。
農夫の大多数は、葉が栄養不良になるため土壌の性質や無生物的要因にほとんど注意を払わず、カイコに食されると、所望の良質な最終産物である生の絹は生産されない。
農夫は、自分の土地が生産できる収量を知ることで、事前に計画できることが有益である。
本稿では, 土壌パラメータに基づいて, マルベリー作物の収量を予測するために, 異なる機械学習手法を用いた。
3つの高度な機械学習モデル、すなわち多重線形回帰、リッジ回帰、ランダムフォレスト回帰(RF)を選択して比較する。
実験の結果,ランダムフォレスト回帰は他のアルゴリズムよりも優れていることがわかった。
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) - 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) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Why do Random Forests Work? Understanding Tree Ensembles as
Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。
森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文 参考訳（メタデータ） (2024-02-02T15:36:43Z) - 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) - Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。
機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。
ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文 参考訳（メタデータ） (2022-12-29T19:32:20Z) - Grape Cold Hardiness Prediction via Multi-Task Learning [18.979780350924635]
秋から春にかけての低温は、ブドウや他の果実植物に凍害をもたらす可能性がある。
農家は、スプリンクラー、ヒーター、風車などの高価な凍害対策を展開し、損傷が生じる可能性があると判断する。
研究者らは、厳しいフィールド計測データに基づいて、異なるブドウ品種に調整できる冷硬度予測モデルを開発した。
論文 参考訳（メタデータ） (2022-09-21T18:18:52Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - A Deep Neural Network Approach for Crop Selection and Yield Prediction
in Bangladesh [0.0]
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。
論文 参考訳（メタデータ） (2021-08-06T22:25:46Z) - 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)
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。