論文の概要: Scheduling Planting Time Through Developing an Optimization Model and
Analysis of Time Series Growing Degree Units
- arxiv url: http://arxiv.org/abs/2207.00745v1
- Date: Sat, 2 Jul 2022 06:14:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 11:24:22.156761
- Title: Scheduling Planting Time Through Developing an Optimization Model and
Analysis of Time Series Growing Degree Units
- Title（参考訳）: 最適化モデルの構築によるプランニング時間スケジューリングと成長度単位の時系列解析
- Authors: Javad Ansarifar, Faezeh Akhavizadegan, and Lizhi Wang
- Abstract要約: 2021年のSyngenta crop Challenge in analyticsにおいて、Syngentaはプランティング時間スケジューリングのための最適化モデルを設計するために問題を提起した。
そこで我々は,気象時系列モデルと最適化モデルからなる新しいフレームワークを開発した。
提案した最適化モデルを用いることで, 元の植林時間と比較して, サイト0で69%, サイト1で51%まで, 必要な容量を削減できる。
- 参考スコア（独自算出の注目度）: 9.206916694802558
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Producing higher-quality crops within shortened breeding cycles ensures
global food availability and security, but this improvement intensifies
logistical and productivity challenges for seed industries in the year-round
breeding process due to the storage limitations. In the 2021 Syngenta crop
challenge in analytics, Syngenta raised the problem to design an optimization
model for the planting time scheduling in the 2020 year-round breeding process
so that there is a consistent harvest quantity each week. They released a
dataset that contained 2569 seed populations with their planting windows,
required growing degree units for harvesting, and their harvest quantities at
two sites. To address this challenge, we developed a new framework that
consists of a weather time series model and an optimization model to schedule
the planting time. A deep recurrent neural network was designed to predict the
weather into the future, and a Gaussian process model on top of the time-series
model was developed to model the uncertainty of forecasted weather. The
proposed optimization models also scheduled the seed population's planting time
at the fewest number of weeks with a more consistent weekly harvest quantity.
Using the proposed optimization models can decrease the required capacity by
69% at site 0 and up to 51% at site 1 compared to the original planting time.
- Abstract（参考訳）: 短い繁殖サイクルで高品質な作物を生産することで、世界的な食料の供給と安全が確保されるが、この改良は、貯蔵の制限により、年中繁殖過程における種子産業の物流的および生産性の課題を増大させる。
分析における2021年のSyngentaの作物問題において、Syngentaは、2020年型育種プロセスにおけるプランティング時間スケジューリングの最適化モデルを設計し、毎週一貫した収穫量を持つようにした。
彼らは2569個の種子の個体群を植えたデータセットをリリースし、収穫の程度を増加させ、2つの場所で収穫量を増加させた。
この課題に対処するため、我々は、気象時系列モデルと、植林時間をスケジュールする最適化モデルからなる新しいフレームワークを開発した。
将来の天気を予測するためにディープリカレントニューラルネットワークが設計され、予測された天気の不確かさをモデル化するために時系列モデルの上にガウス過程モデルが開発された。
提案する最適化モデルでは、種子の栽培時期を最も数週間に短縮し、より一貫した収穫量を計画した。
提案した最適化モデルを用いることで, 元の植林時間と比較して, サイト0では69%, サイト1では51%の削減が可能となる。
関連論文リスト
- Generative weather for improved crop model simulations [0.0]
本稿では,長期気象予報のための生成モデルを構築するための新しい手法を提案する。
その結果,従来の方法よりも顕著な改善が見られた。
個別の作物モデル作成者がこの問題にこの手法を適用し始めるためには、技術的詳細を慎重に説明する。
論文 参考訳（メタデータ） (2024-03-31T02:03:28Z) - 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) - Machine Learning-Based Completions Sequencing for Well Performance
Optimization [0.0]
このプロジェクトの主な目的は、多次元予測変数の効果を統合できる効果的な機械学習モデルを開発することである。
3つのモデルは全て、7.35から20.01万バレルの石油の根平均二乗誤差(RMSE)値で累積生産予測を行った。
包括的機能エンジニアリングやハイブリッドモデルやサロゲートモデルの使用を推奨するなど、大幅な改善の可能性がある。
論文 参考訳（メタデータ） (2024-02-23T21:11:17Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-01-28T13:23:25Z) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳（メタデータ） (2023-10-24T22:59:56Z) - 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) - Integrating machine learning paradigms and mixed-integer model
predictive control for irrigation scheduling [0.20999222360659603]
農業部門は水資源の保全と収穫量の最適化において大きな課題に直面している。
従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることがしばしば証明される。
本稿では,機械学習の3つのパラダイムを活用して,灌水スケジュールを最適化する予測灌水スケジューラを提案する。
論文 参考訳（メタデータ） (2023-06-14T19:38:44Z) - 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) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z) - Crop Yield Prediction Integrating Genotype and Weather Variables Using
Deep Learning [8.786816847837976]
我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。
我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。
異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
論文 参考訳（メタデータ） (2020-06-24T16:20:12Z) - Forecasting Corn Yield with Machine Learning Ensembles [2.9005223064604078]
本稿では,米コーンベルト州3州(イリノイ州,インディアナ州,アイオワ州)でトウモロコシの収量を予測するための機械学習ベースのフレームワークを提供する。
いくつかのアンサンブルモデルは、ブロックされたシーケンシャルプロシージャを使用して、バッグ外予測を生成する。
その結果,基本学習者の重み付き平均に基づくアンサンブルモデルは,個々のモデルよりも優れていた。
論文 参考訳（メタデータ） (2020-01-18T03:55:20Z)
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。