論文の概要: Risk-averse Stochastic Optimization for Farm Management Practices and
Cultivar Selection Under Uncertainty
- arxiv url: http://arxiv.org/abs/2208.04840v1
- Date: Sun, 17 Jul 2022 01:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-14 18:24:36.507571
- Title: Risk-averse Stochastic Optimization for Farm Management Practices and
Cultivar Selection Under Uncertainty
- Title（参考訳）: 不確実性下における農業経営のリスク-逆確率最適化と品種選択
- Authors: Faezeh Akhavizadegan, Javad Ansarifar, Lizhi Wang, and Sotirios V.
Archontoulis
- Abstract要約: 目的プログラミング関数における条件付き値-リスクを用いた不確実性の下で最適化フレームワークを開発する。
ケーススタディとして、USコーンベルトの25箇所に作物モデルを構築しました。
その結果,提案モデルが気象と最適決定との間に有意な関係を生じさせることが示唆された。
- 参考スコア（独自算出の注目度）: 8.427937898153779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing management practices and selecting the best cultivar for planting
play a significant role in increasing agricultural food production and
decreasing environmental footprint. In this study, we develop optimization
frameworks under uncertainty using conditional value-at-risk in the stochastic
programming objective function. We integrate the crop model, APSIM, and a
parallel Bayesian optimization algorithm to optimize the management practices
and select the best cultivar at different levels of risk aversion. This
approach integrates the power of optimization in determining the best decisions
and crop model in simulating nature's output corresponding to various
decisions. As a case study, we set up the crop model for 25 locations across
the US Corn Belt. We optimized the management options (planting date, N
fertilizer amount, fertilizing date, and plant density in the farm) and
cultivar options (cultivars with different maturity days) three times: a)
before, b) at planting and c) after a growing season with known weather.
Results indicated that the proposed model produced meaningful connections
between weather and optima decisions. Also, we found risk-tolerance farmers get
more expected yield than risk-averse ones in wet and non-wet weathers.
- Abstract（参考訳）: 経営の最適化と植林に適した品種の選択は、農業食糧生産の増加と環境フットプリントの減少に重要な役割を果たしている。
本研究では,確率的プログラミング対象関数における条件付きリスクを用いた不確実性を考慮した最適化フレームワークを開発する。
我々は, 作物モデル, apsim, 並列ベイズ最適化アルゴリズムを統合し, 経営慣行を最適化し, 異なるリスク回避レベルで最高の品種を選択する。
このアプローチは、最適決定を決定する際の最適化の力と、様々な決定に対応する自然の出力をシミュレートする作物モデルを統合する。
ケーススタディとして,米国トウモロコシベルトの25箇所を対象に,作物モデルを構築した。
管理オプション(栽培日数,n施肥量,施肥日数,栽培密度)と品種オプション(熟成日が異なる栽培日数)を3回最適化した。
a) 前
b) 植え付けについて
c) 既知の天候で成長する季節の後。
その結果,提案モデルは気象と光度決定の間に有意義な関連を生じさせた。
また,湿潤気候や非湿潤気候では,農業従事者の方がリスク回避率が高いことが判明した。
関連論文リスト
- A Comparative Study of Deep Reinforcement Learning for Crop Production Management [13.123171643387668]
適応的な作物管理政策を開発するための有望なツールとして強化学習(RL)が登場している。
ジム-DSSATの作物モデル環境において, 作物管理, PPO, 深度Q-networks (DQN) に最も広く利用されているシミュレータの1つが, 有望な結果を示している。
本研究では,PPOとDQNを,体育DSSAT環境によって提供される3つのRLタスクの静的ベースラインポリシー(肥料化,灌水,混合管理)に対して評価した。
論文 参考訳（メタデータ） (2024-11-06T18:35:51Z) - Learning-based agricultural management in partially observable
environments subject to climate variability [5.5062239803516615]
農業経営は、作物の収量、経済的な利益性、環境の持続可能性において中心的な役割を担っている。
我々は、深層強化学習(DRL)とリカレントニューラルネットワーク(RNN)を統合する革新的なフレームワークを導入する。
本研究は,極度の気象条件下での新たな最適政策を得るために,エージェント再訓練の必要性を照らすものである。
論文 参考訳（メタデータ） (2024-01-02T16:18:53Z) - Towards an efficient and risk aware strategy for guiding farmers in
identifying best crop management [0.0]
直感的な戦略」とは、複数の年次フィールドトライアルを、各プラクティスの同等の割合で実施することである。
本研究の目的は,識別時に発生する農民の損失を最小限に抑えるために,帯域幅アルゴリズムを用いた識別戦略を提供することであった。
本研究は, 実環境下でのコントラスト作物管理の実践実績を, リスクを意識したアンサンブル識別のための新たな地平を開拓する手法である。
論文 参考訳（メタデータ） (2022-10-10T10:11:10Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Evolutionary Hierarchical Harvest Schedule Optimization for Food Waste
Prevention [2.854144305852985]
インタークロッピングは 土壌や環境のモノクロを 避ける効果的な方法です
連続収穫を維持することは、物流コストと関連する温室効果ガス排出量を減らす。
本研究では,与えられた制約を満たす大作アンサンブルの全収穫時期の最適化手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T17:59:53Z) - Machine Learning aided Crop Yield Optimization [0.0]
我々は,OpenAI Gymインタフェースを用いた作物シミュレーション環境を提案し,生産効率を最適化するために,最新の深部強化学習(DRL)アルゴリズムを適用した。
DRLアルゴリズムは,水や肥料の使用量などの制約要因を最小化しつつ,収穫量の最適化を支援する新しい政策やアプローチの発見に有用であることを示す。
論文 参考訳（メタデータ） (2021-11-01T14:14:11Z) - Stochastic Optimization of Areas Under Precision-Recall Curves with
Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。
本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:22:21Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳（メタデータ） (2020-09-01T19:12:11Z) - Stochastic Optimization Forests [60.523606291705214]
標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。
概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
論文 参考訳（メタデータ） (2020-08-17T16:56:06Z) - Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
様々な目的に対して最適な決定木を生成する手法を提案する。
また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-06-15T19:00:11Z)
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。