論文の概要: A GNN-RNN Approach for Harnessing Geospatial and Temporal Information:
Application to Crop Yield Prediction
- arxiv url: http://arxiv.org/abs/2111.08900v1
- Date: Wed, 17 Nov 2021 04:43:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 15:04:00.097428
- Title: A GNN-RNN Approach for Harnessing Geospatial and Temporal Information:
Application to Crop Yield Prediction
- Title（参考訳）: 地理空間情報と時間情報の調和のためのGNN-RNNアプローチ:作物収量予測への応用
- Authors: Joshua Fan, Junwen Bai, Zhiyun Li, Ariel Ortiz-Bobea, Carla P. Gomes
- Abstract要約: 本稿では,地理的知識と時間的知識を両立させるため,収穫量予測のためのグラフベースの新しいリカレントニューラルネットワークを提案する。
米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
- 参考スコア（独自算出の注目度）: 18.981160729510417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate change is posing new challenges to crop-related concerns including
food insecurity, supply stability and economic planning. As one of the central
challenges, crop yield prediction has become a pressing task in the machine
learning field. Despite its importance, the prediction task is exceptionally
complicated since crop yields depend on various factors such as weather, land
surface, soil quality as well as their interactions. In recent years, machine
learning models have been successfully applied in this domain. However, these
models either restrict their tasks to a relatively small region, or only study
over a single or few years, which makes them hard to generalize spatially and
temporally. In this paper, we introduce a novel graph-based recurrent neural
network for crop yield prediction, to incorporate both geographical and
temporal knowledge in the model, and further boost predictive power. Our method
is trained, validated, and tested on over 2000 counties from 41 states in the
US mainland, covering years from 1981 to 2019. As far as we know, this is the
first machine learning method that embeds geographical knowledge in crop yield
prediction and predicts the crop yields at county level nationwide. We also
laid a solid foundation for the comparison with other machine learning
baselines by applying well-known linear models, tree-based models, deep
learning methods and comparing their performance. Experiments show that our
proposed method consistently outperforms the existing state-of-the-art methods
on various metrics, validating the effectiveness of geospatial and temporal
information.
- Abstract（参考訳）: 気候変動は食料不足や供給安定、経済計画など、作物関連の問題に新たな課題を提起している。
中心的な課題の1つとして、作物の収穫予測が機械学習分野における押し付け課題となっている。
その重要性にもかかわらず、作物の収量は天候、土地表面、土壌の質、相互作用など様々な要因に依存するため、予測作業は非常に複雑である。
近年,この領域における機械学習モデルの適用が成功している。
しかし、これらのモデルはタスクを比較的小さな領域に限定するか、あるいは1年または数年しか研究しないため、空間的および時間的に一般化することは困難である。
本稿では,収量予測のためのグラフベースの新しいリカレントニューラルネットワークを導入し,そのモデルに地理的知識と時間的知識を取り入れ,予測能力をさらに向上させる。
米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
我々の知る限り、これは、地理的知識を収穫量予測に組み込んで、全国の郡レベルで収穫量を予測する最初の機械学習手法である。
また、よく知られた線形モデル、ツリーベースモデル、ディープラーニング手法を適用し、それらの性能を比較することで、他の機械学習ベースラインと比較するための確かな基盤を構築しました。
実験により,提案手法が実測値と時間的情報の有効性を検証し,既存の実測値の手法を一貫して上回ることを示した。
関連論文リスト
- Combining Satellite and Weather Data for Crop Type Mapping: An Inverse
Modelling Approach [23.23933321161625]
天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。
提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。
この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2024-01-29T04:15:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Improve State-Level Wheat Yield Forecasts in Kazakhstan on GEOGLAM's EO
Data by Leveraging A Simple Spatial-Aware Technique [1.433758865948252]
我々は,カザフスタンにおけるクロスリージョン収率の不均一性に明示的に対処する,ステートワイド加法バイアスと呼ばれる手法を提案し,検討する。
本手法では, RMSE全体の8.9%, 州別RMSEの28.37%を削減した。
状態ワイド加算バイアスの有効性は、機械学習の性能を大幅に改善できることを示している。
論文 参考訳（メタデータ） (2023-06-01T19:35:13Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - 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) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - 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) - 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)
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。