Fugu-MT 論文翻訳(概要): Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches

論文の概要: Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches

arxiv url: http://arxiv.org/abs/2208.12633v1
Date: Fri, 26 Aug 2022 12:48:18 GMT
ステータス: 処理完了
システム内更新日: 2022-08-29 13:18:27.709666
Title: Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches
Title（参考訳）: 深層学習手法との比較による収量推定のための極勾配ブースティング
Authors: Florian Huber, Artem Yushchenko, Benedikt Stratmann, Volker Steinhage
Abstract要約: 本稿では,XGBoost(Extreme Gradient Boosting, エクストリームグラディエントブースティング)を利得予測に利用するための,リモートセンシング画像を特徴ベース表現に処理するためのパイプラインを提案する。米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate prediction of crop yield before harvest is of great importance for crop logistics, market planning, and food distribution around the world. Yield prediction requires monitoring of phenological and climatic characteristics over extended time periods to model the complex relations involved in crop development. Remote sensing satellite images provided by various satellites circumnavigating the world are a cheap and reliable way to obtain data for yield prediction. The field of yield prediction is currently dominated by Deep Learning approaches. While the accuracies reached with those approaches are promising, the needed amounts of data and the ``black-box'' nature can restrict the application of Deep Learning methods. The limitations can be overcome by proposing a pipeline to process remote sensing images into feature-based representations that allow the employment of Extreme Gradient Boosting (XGBoost) for yield prediction. A comparative evaluation of soybean yield prediction within the United States shows promising prediction accuracies compared to state-of-the-art yield prediction systems based on Deep Learning. Feature importances expose the near-infrared spectrum of light as an important feature within our models. The reported results hint at the capabilities of XGBoost for yield prediction and encourage future experiments with XGBoost for yield prediction on other crops in regions all around the world.
Abstract（参考訳）: 収穫前の収穫量の正確な予測は、世界中の作物の物流、市場計画、食料流通において非常に重要である。収量予測は、作物開発に関わる複雑な関係をモデル化するために、長期にわたる現象学的および気候学的特性のモニタリングを必要とする。世界中の様々な衛星から提供されるリモートセンシング衛星画像は、収量予測のためのデータを得るための安価で信頼性の高い方法である。現在、収量予測の分野はディープラーニングのアプローチで占められている。これらのアプローチで到達した精度は有望であるが、必要な量のデータと 'black-box'' の性質はディープラーニングメソッドの適用を制限することができる。この制限は、リモートセンシング画像を特徴ベースの表現に処理するためのパイプラインを提案して、収率予測にExtreme Gradient Boosting(XGBoost)を使用できることで克服できる。米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。特徴的重要性は、我々のモデルにおける重要な特徴として、近赤外光スペクトルを露呈する。報告された結果は、XGBoostの収量予測能力と、世界中の他の作物の収量予測のためのXGBoostによる将来の実験の促進を示唆している。

関連論文リスト

A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
論文参考訳（メタデータ） (2024-08-16T13:44:35Z)
Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
論文参考訳（メタデータ） (2024-07-11T08:23:46Z)
Naïve Bayes and Random Forest for Crop Yield Prediction [0.0]
本研究は、1997年から2020年までのインドにおける作物収量予測を、様々な作物や重要な環境要因に着目して分析した。これは、線形回帰、決定木、KNN、ナイーブベイズ、K平均クラスタリング、ランダムフォレストといった先進的な機械学習技術を活用することで、農業の収量を予測することを目的としている。
論文参考訳（メタデータ） (2024-04-23T16:55:45Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
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)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文参考訳（メタデータ） (2022-06-13T21:31:06Z)
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)
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)
YieldNet: A Convolutional Neural Network for Simultaneous Corn and Soybean Yield Prediction Based on Remote Sensing Data [14.312926581466852]
本稿では,複数作物の収量を予測するモデルYieldNetを提案し,同時に複数作物の収量間の相互作用を考察する。その結果,提案手法は収穫前1～4ヶ月の収穫量を正確に予測し,他の最先端手法と競合することを示した。
論文参考訳（メタデータ） (2020-12-05T22:09:07Z)

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。