論文の概要: Pest presence prediction using interpretable machine learning
- arxiv url: http://arxiv.org/abs/2205.07723v1
- Date: Mon, 16 May 2022 14:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 15:10:23.100575
- Title: Pest presence prediction using interpretable machine learning
- Title(参考訳): 解釈可能な機械学習による害虫発生予測
- Authors: Ornela Nanushi and Vasileios Sitokonstantinou and Ilias Tsoumas and
Charalampos Kontoes
- Abstract要約: コットン・ボルワーム(Cotton bollworm)は、綿花の収穫と品質を脅かす深刻な害虫である。
気象・気候・植生条件は、作物害虫の豊富性の鍵要因として特定されている。
- 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: Helicoverpa Armigera, or cotton bollworm, is a serious insect pest of cotton
crops that threatens the yield and the quality of lint. The timely knowledge of
the presence of the insects in the field is crucial for effective farm
interventions. Meteo-climatic and vegetation conditions have been identified as
key drivers of crop pest abundance. In this work, we applied an interpretable
classifier, i.e., Explainable Boosting Machine, which uses earth observation
vegetation indices, numerical weather predictions and insect trap catches to
predict the onset of bollworm harmfulness in cotton fields in Greece. The
glass-box nature of our approach provides significant insight on the main
drivers of the model and the interactions among them. Model interpretability
adds to the trustworthiness of our approach and therefore its potential for
rapid uptake and context-based implementation in operational farm management
scenarios. Our results are satisfactory and the importance of drivers, through
our analysis on global and local explainability, is in accordance with the
literature.
- Abstract(参考訳): ヘリコバパ・アルミゲラ(helcoverpa armigera)は、綿花作物の深刻な害虫であり、リントの収量と品質を脅かす。
現場における昆虫の存在に関するタイムリーな知識は、効果的な農業介入に不可欠である。
気候条件と植生条件は、作物の害虫発生の鍵となる要因として特定されている。
本研究では,ギリシャの綿花畑におけるボラワーム害の発症を予測するために,地球観測植生指標,数値気象予報,昆虫捕集を用いた解釈可能な分類装置であるExplainable Boosting Machineを適用した。
このアプローチのガラス箱の性質は、モデルの主要因とそれら間の相互作用に関する重要な洞察を与えてくれる。
モデル解釈性は,我々のアプローチの信頼性を増すとともに,運用ファームマネジメントシナリオにおける迅速な採用とコンテキストベース実装の可能性を高める。
本研究の成果は十分であり,グローバルおよびローカルな説明可能性の分析を通じて,ドライバの重要性は文献に則っている。
関連論文リスト
- HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳(メタデータ) (2023-08-23T11:03:28Z) - On the Real-Time Semantic Segmentation of Aphid Clusters in the Wild [13.402804225093801]
アフィドの感染は小麦やソルガムの畑に大きな損傷を与え、植物ウイルスを拡散させる。
農夫はしばしば化学殺虫剤を頼りにしており、これは田畑の広い範囲で非効率に適用される。
本稿では,アフィドのクラスタ分割にリアルタイムセマンティックセマンティックセマンティクスモデルを適用することを提案する。
論文 参考訳(メタデータ) (2023-07-17T19:04:39Z) - Using interpretable boosting algorithms for modeling environmental and
agricultural data [0.0]
本稿では,高次元環境データの解析に解釈可能なブースティングアルゴリズムを用いる方法について述べる。
提案手法は, 群構造をどう考えるか, 相互作用が高次元データセットでどのように見られるのかを, 新たな2段階ブースティング手法を用いて示すものである。
論文 参考訳(メタデータ) (2023-05-04T10:16:11Z) - Fuzzy clustering for the within-season estimation of cotton phenology [0.0]
本研究では,綿花の季節内表現学評価のための新しい手法を提案する。
本手法は, スパース・アンス・グラウンドの真理データにおいて, 常に存在する問題に対処するために, 教師なしの手法である。
このモデルを評価するため,ギリシャのオルコメノスで1,285の栽培地観測を行った。
論文 参考訳(メタデータ) (2022-11-25T13:30:57Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳(メタデータ) (2022-10-24T14:37:09Z) - Neuroevolution-based Classifiers for Deforestation Detection in Tropical
Forests [62.997667081978825]
森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。
監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。
本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
論文 参考訳(メタデータ) (2022-08-23T16:04:12Z) - Spatial Monitoring and Insect Behavioural Analysis Using Computer Vision
for Precision Pollination [6.2997667081978825]
昆虫は作物の最も重要な世界的な受粉者であり、自然生態系の持続可能性を維持する上で重要な役割を担っている。
現在のコンピュータビジョンは、複雑な屋外環境における昆虫追跡を空間的に制限している。
本稿では,昆虫数計測,昆虫の動き追跡,行動解析,受粉予測のためのマーカーレスデータキャプチャーシステムを紹介する。
論文 参考訳(メタデータ) (2022-05-10T05:11:28Z) - 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) - Wave Propagation of Visual Stimuli in Focus of Attention [77.4747032928547]
周囲の視覚環境の変化に対する迅速な反応は、計算資源を視覚領域の最も関連する場所に再配置する効率的な注意機構を必要とする。
本研究は, 営巣動物が提示する有効性と効率性を示す, 生物学的に有望な注目焦点モデルを提案する。
論文 参考訳(メタデータ) (2020-06-19T09:33:21Z) - Weakly Supervised Learning Guided by Activation Mapping Applied to a
Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。
我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。
2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文 参考訳(メタデータ) (2020-04-22T01:26:50Z)
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。