論文の概要: Improved Loss Function-Based Prediction Method of Extreme Temperatures in Greenhouses

• arxiv url: http://arxiv.org/abs/2111.01366v1
• Date: Tue, 2 Nov 2021 04:33:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 21:02:23.451787
• Title: Improved Loss Function-Based Prediction Method of Extreme Temperatures in Greenhouses
• Title（参考訳）: 温室効果ガスの損失関数に基づく極低温予測法
• Authors: Liao Qu, Shuaiqi Huang, Yunsong Jia, Xiang Li
• Abstract要約: 温室栽培の分野では、作物が受容可能な極端温室温の予測が不可欠である。 データセットに極端な温度データがないため、モデルを正確に予測することは困難である。 各種機械学習モデルに適した改良された損失関数を提案する。
• 参考スコア（独自算出の注目度）: 3.4893854610476267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prediction of extreme greenhouse temperatures to which crops are susceptible is essential in the field of greenhouse planting. It can help avoid heat or freezing damage and economic losses. Therefore, it's important to develop models that can predict them accurately. Due to the lack of extreme temperature data in datasets, it is challenging for models to accurately predict it. In this paper, we propose an improved loss function, which is suitable for a variety of machine learning models. By increasing the weight of extreme temperature samples and reducing the possibility of misjudging extreme temperature as normal, the proposed loss function can enhance the prediction results in extreme situations. To verify the effectiveness of the proposed method, we implement the improved loss function in LightGBM, long short-term memory, and artificial neural network and conduct experiments on a real-world greenhouse dataset. The results show that the performance of models with the improved loss function is enhanced compared to the original models in extreme cases. The improved models can be used to guarantee the timely judgment of extreme temperatures in agricultural greenhouses, thereby preventing unnecessary losses caused by incorrect predictions.
• Abstract（参考訳）: 温室栽培の分野において、作物が感受性を持つ極端な温室効果温度の予測が不可欠である。 熱や凍傷や経済的な損失を避けるのに役立つ。 したがって、正確に予測できるモデルを開発することが重要です。 データセットに極端な温度データがないため、モデルを正確に予測することは困難である。 本稿では,様々な機械学習モデルに適した改良された損失関数を提案する。 極端温度サンプルの重量を増大させ、極端温度を通常のように誤測定する可能性を減らすことにより、提案された損失関数は極端状況における予測結果を向上することができる。 提案手法の有効性を検証するため,LightGBM,長期記憶,人工ニューラルネットワークに改良された損失関数を実装し,実世界の温室データセット上で実験を行った。 その結果, 損失関数を改良したモデルの性能は, 極端な場合と比較して向上していることがわかった。 改良されたモデルを用いて、農業用温室における極端温度のタイムリーな判定を保証し、誤った予測による不要な損失を防止することができる。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Evaluating Loss Functions and Learning Data Pre-Processing for Climate Downscaling Deep Learning Models [0.0]
  気候下降の文脈における深層学習モデルに対する損失関数と非線形データ前処理法の効果について検討した。 その結果,L1の損失やL2の損失は,降水データのような不均衡なデータではL1の損失よりも有意に優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-19T19:58:42Z)
• Long Horizon Temperature Scaling [90.03310732189543]
  LHTS(Long Horizon Temperature Scaling)は、温度スケールの関節分布をサンプリングするための新しい手法である。 温度依存性のLHTS目標を導出し, 温度範囲のモデルを微調整することで, 制御可能な長地平線温度パラメータで生成可能な単一モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-07T18:59:32Z)
• Global Extreme Heat Forecasting Using Neural Weather Models [0.0]
  熱波は地球温暖化に伴う頻度と重症度の増加を予測している。 本研究では,過去データに基づいて学習した深層学習システムが,短・中・下季節の時間スケールで極端な熱を予測できる可能性を探る。
  論文  参考訳（メタデータ） (2022-05-23T00:35:23Z)
• Addressing Deep Learning Model Uncertainty in Long-Range Climate Forecasting with Late Fusion [2.951502707659703]
  本稿では,複数のモデルからの予測を体系的に組み合わせて,融合した結果の予測誤差を低減できるレイトフュージョン手法を提案する。 また、データ正規化を実際に行わずにデータ正規化の利点を得るために、新しい非正規化層を持つネットワークアーキテクチャを提案する。 長距離2m温度予測実験の結果,30年間の気候の正常値を上回っ,モデル数の増加により精度の向上が図られた。
  論文  参考訳（メタデータ） (2021-12-10T00:00:09Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。