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
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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 [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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 processed-based models and machine learning for crop yield
prediction [1.3107669223114085]
本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。
作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。
シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
論文 参考訳(メタデータ) (2023-07-25T12:51:25Z) - 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) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-09T09:06:51Z) - 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) - 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。