論文の概要: Towards assessing agricultural land suitability with causal machine learning

• arxiv url: http://arxiv.org/abs/2204.12956v1
• Date: Wed, 27 Apr 2022 14:13:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 12:15:46.211846
• Title: Towards assessing agricultural land suitability with causal machine learning
• Title（参考訳）: 因果機械学習による農地適性評価に向けて
• Authors: Georgios Giannarakis, Vasileios Sitokonstantinou, Roxanne Suzette Lorilla, Charalampos Kontoes
• Abstract要約: 我々は,ベルギーのフランダース地域における作物の回転と景観作物の多様性が純生産性に及ぼす影響を因果機械学習を用いて推定する。 植生の多様性がNPPに悪影響を及ぼすのに対して, 作物の回転の影響は重要でないことが判明した。
• 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: Understanding the suitability of agricultural land for applying specific management practices is of great importance for sustainable and resilient agriculture against climate change. Recent developments in the field of causal machine learning enable the estimation of intervention impacts on an outcome of interest, for samples described by a set of observed characteristics. We introduce an extensible data-driven framework that leverages earth observations and frames agricultural land suitability as a geospatial impact assessment problem, where the estimated effects of agricultural practices on agroecosystems serve as a land suitability score and guide decision making. We formulate this as a causal machine learning task and discuss how this approach can be used for agricultural planning in a changing climate. Specifically, we extract the agricultural management practices of "crop rotation" and "landscape crop diversity" from crop type maps, account for climate and land use data, and use double machine learning to estimate their heterogeneous effect on Net Primary Productivity (NPP), within the Flanders region of Belgium from 2010 to 2020. We find that the effect of crop rotation was insignificant, while landscape crop diversity had a small negative effect on NPP. Finally, we observe considerable effect heterogeneity in space for both practices and analyze it.
• Abstract（参考訳）: 特定の経営慣行を適用するための農地の適合性を理解することは、気候変動に対する持続可能で弾力的な農業にとって非常に重要である。 因果機械学習の分野における最近の進展は、観察された特徴のセットによって記述されたサンプルについて、関心結果に対する介入の影響の推定を可能にする。 本研究では,土壌観測を活用し,農業の土地適合度を地理空間的インパクトアセスメント問題として枠組化する拡張性データ駆動フレームワークを導入し,農業慣行が農業に与えた影響を土地適合度スコアと指導的意思決定に役立てる。 これを因果的機械学習タスクとして定式化し、このアプローチが変化する気候における農業計画にどのように役立つかについて議論する。 具体的には,2010年から2020年までベルギーのフランダース地域において,作物種図から"crop rotation"と"landscape crop diversity"の農業経営実践を抽出し,気候・土地利用データを考慮して,ダブル機械学習を用いてネットプライマリ生産性(npp)に対する不均一な影響を推定した。 植生の多様性がNPPに悪影響を及ぼすのに対して, 作物の回転が重要でないことが判明した。 最後に、両プラクティスの空間におけるかなりの効果の不均一性を観察し、解析する。

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)
• 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)
• Climate Change Impact on Agricultural Land Suitability: An Interpretable Machine Learning-Based Eurasia Case Study [94.07737890568644]
  2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。 気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。 本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
  論文  参考訳（メタデータ） (2023-10-24T15:15:28Z)
• Understanding the impacts of crop diversification in the context of climate change: a machine learning approach [0.0]
  気候変動の文脈における作物の多様化が生産性に与える影響について検討する。 作物の多様化は作物の一次生産性を著しく向上させ、2.8%増加させた。 温暖で乾燥しやすい気候では、作物の多様化は有望な適応可能性を示すと結論付けている。
  論文  参考訳（メタデータ） (2023-07-17T16:32:49Z)
• Towards a methodology to consider the environmental impacts of digital agriculture [0.0]
  農業は地球温暖化に影響を及ぼすが、その収量には脅威があり、情報通信技術(ICT)は、この緊張を和らげるための潜在的なレバーとみなされることが多い。 本研究の目的は,農業ICTシステムの環境フットプリントと必要なインフラを考慮に入れた方法論を定義することである。
  論文  参考訳（メタデータ） (2023-05-16T07:58:34Z)
• Evaluating Digital Agriculture Recommendations with Causal Inference [0.9213852038999553]
  本稿では,デジタルツールが農業成績指標に与える影響を実証的に評価するための観察因果推論フレームワークを提案する。 ケーススタディとして,数値気象予測に基づく綿の最適播種時間推薦システムの設計と実装を行った。 バックドア基準を用いて, 播種勧告が収量に与える影響を同定し, 線形回帰, マッチング, 逆確率スコア重み付け, メタラーナーを用いて推定した。
  論文  参考訳（メタデータ） (2022-11-30T12:20:08Z)
• Evaluating Digital Tools for Sustainable Agriculture using Causal Inference [0.9213852038999553]
  本稿では,デジタルツールが農業成績指標に与える影響を実証的に評価するための観察因果推論フレームワークを提案する。 このように、デジタル農業市場の透明性を高めることで、農家の信頼を高めることができる。
  論文  参考訳（メタデータ） (2022-11-06T18:22:17Z)
• Personalizing Sustainable Agriculture with Causal Machine Learning [0.0]
  気候変動に対処し、人口増加に対応するためには、世界の作物生産が強化されなければならない。 農業の「持続可能強度」を達成するためには、炭素エミッターから炭素シンクに転換することが最優先事項である。 リトアニアの土壌有機炭素含有量に及ぼす持続的プラクティスの不均一性の影響を推定した。
  論文  参考訳（メタデータ） (2022-11-06T17:14:14Z)
• 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)
• 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)
• Farmland Parcel Delineation Using Spatio-temporal Convolutional Networks [77.63950365605845]
  ファームパーセル・デライン化は、気候変動政策の開発と管理において重要なカダストラルデータを提供する。 このデータは、極端な気象災害に伴う損害後の補償を評価するための農業保険セクターにも有用である。 衛星画像の利用は、農場の区画整理作業を行うためのスケーラブルで費用対効果の高い方法である。
  論文  参考訳（メタデータ） (2020-04-11T19:49:09Z)

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。