Fugu-MT 論文翻訳(概要): Grape Cold Hardiness Prediction via Multi-Task Learning

論文の概要: Grape Cold Hardiness Prediction via Multi-Task Learning

arxiv url: http://arxiv.org/abs/2209.10585v1
Date: Wed, 21 Sep 2022 18:18:52 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 13:42:06.573912
Title: Grape Cold Hardiness Prediction via Multi-Task Learning
Title（参考訳）: マルチタスク学習によるグレープ冷硬度予測
Authors: Aseem Saxena, Paola Pesantez-Cabrera, Rohan Ballapragada, Kin-Ho Lam, Alan Fern and Markus Keller
Abstract要約: 秋から春にかけての低温は、ブドウや他の果実植物に凍害をもたらす可能性がある。農家は、スプリンクラー、ヒーター、風車などの高価な凍害対策を展開し、損傷が生じる可能性があると判断する。研究者らは、厳しいフィールド計測データに基づいて、異なるブドウ品種に調整できる冷硬度予測モデルを開発した。
参考スコア（独自算出の注目度）: 18.979780350924635
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cold temperatures during fall and spring have the potential to cause frost damage to grapevines and other fruit plants, which can significantly decrease harvest yields. To help prevent these losses, farmers deploy expensive frost mitigation measures, such as, sprinklers, heaters, and wind machines, when they judge that damage may occur. This judgment, however, is challenging because the cold hardiness of plants changes throughout the dormancy period and it is difficult to directly measure. This has led scientists to develop cold hardiness prediction models that can be tuned to different grape cultivars based on laborious field measurement data. In this paper, we study whether deep-learning models can improve cold hardiness prediction for grapes based on data that has been collected over a 30-year time period. A key challenge is that the amount of data per cultivar is highly variable, with some cultivars having only a small amount. For this purpose, we investigate the use of multi-task learning to leverage data across cultivars in order to improve prediction performance for individual cultivars. We evaluate a number of multi-task learning approaches and show that the highest performing approach is able to significantly improve over learning for single cultivars and outperforms the current state-of-the-art scientific model for most cultivars.
Abstract（参考訳）: 秋から春にかけての低温は、ブドウや他の果実に凍害をもたらす可能性があり、収穫量を大幅に減少させる。これらの損失を防ぐため、農家はスプリンクラー、ヒーター、風力機械などの高価な凍害対策を施し、被害を判断する。しかし、休眠期間を通じて植物の寒冷な硬さが変化し、直接測定することが困難であるため、この判断は困難である。この結果、研究チームは、フィールド計測データに基づいて異なるブドウ品種に調整できる冷硬度予測モデルを開発した。本稿では,30年以上にわたって収集されたデータに基づいて,深層学習モデルがブドウの冷硬度予測を改善するかどうかを検討する。重要な課題は、品種ごとのデータ量が非常に可変であり、一部の品種は少量しかないことである。そこで本研究では,各品種の予測性能を向上させるため,マルチタスク学習を用いた品種間データの活用について検討する。本研究では,マルチタスク学習の手法を数多く評価し,最も高いパフォーマンスの手法が単一品種の学習よりも大幅に向上し,ほとんどの品種において最新の科学的モデルを上回ることを示した。

関連論文リスト

Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文参考訳（メタデータ） (2024-11-07T22:29:05Z)
Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。このアプローチは従来のプロセスベースのモデルよりも優れています。
論文参考訳（メタデータ） (2024-01-08T15:29:23Z)
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)
Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning [0.2580765958706853]
冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
論文参考訳（メタデータ） (2023-06-20T23:52:39Z)
Multi-Task Learning for Budbreak Prediction [18.329763523260624]
本研究は,複数品種のブドウ品種を対象としたデータを用いて,ブドブレイク予測のための深層学習について検討する。この問題に対処するために,全品種にまたがるデータを組み合わせて個々の品種の予測を行うマルチタスク学習について検討する。本研究の主目的は,複数種類のマルチタスク学習が,各品種の学習と独立して比較して,予測精度を大幅に向上できることである。
論文参考訳（メタデータ） (2023-01-04T20:28:17Z)
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)
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)
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)
Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウト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） (2020-08-12T10:44:49Z)
Estimating crop yields with remote sensing and deep learning [0.2492060267829796]
本研究では,5種類の作物に対して,プレシーズンおよびインシーズン予測を行うことができる深層学習モデルを提案する。本モデルでは、収穫カレンダー、リモートセンシングデータ、天気予報情報を用いて正確な収量推定を行う。
論文参考訳（メタデータ） (2020-07-21T15:09:11Z)

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。