論文の概要: Towards an efficient and risk aware strategy for guiding farmers in identifying best crop management

• arxiv url: http://arxiv.org/abs/2210.04537v1
• Date: Mon, 10 Oct 2022 10:11:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:02:26.672954
• Title: Towards an efficient and risk aware strategy for guiding farmers in identifying best crop management
• Title（参考訳）: 最良作物管理を指導する農家の効率的・リスク対応戦略に向けて
• Authors: Romain Gautron (Cirad, CIAT), Dorian Baudry (CNRS), Myriam Adam (UMR AGAP, Cirad), Gatien N Falconnier (Cirad, CIMMYT), Marc Corbeels (Cirad, IITA)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of best performing fertilizer practices among a set of contrasting practices with field trials is challenging as crop losses are costly for farmers. To identify best management practices, an ''intuitive strategy'' would be to set multi-year field trials with equal proportion of each practice to test. Our objective was to provide an identification strategy using a bandit algorithm that was better at minimizing farmers' losses occurring during the identification, compared with the ''intuitive strategy''. We used a modification of the Decision Support Systems for Agro-Technological Transfer (DSSAT) crop model to mimic field trial responses, with a case-study in Southern Mali. We compared fertilizer practices using a risk-aware measure, the Conditional Value-at-Risk (CVaR), and a novel agronomic metric, the Yield Excess (YE). YE accounts for both grain yield and agronomic nitrogen use efficiency. The bandit-algorithm performed better than the intuitive strategy: it increased, in most cases, farmers' protection against worst outcomes. This study is a methodological step which opens up new horizons for risk-aware ensemble identification of the performance of contrasting crop management practices in real conditions.
• Abstract（参考訳）: 農作物の損失は農家にとって費用がかかるため、一連の対照的な慣行と実地試験の間の最高の施肥慣行の特定は困難である。 最良のマネジメントプラクティスを特定するために、'直観的な戦略'は、テストするプラクティスの比率が等しい複数年のフィールドトライアルを設定することである。 本研究の目的は,「直観的戦略」と比較して,識別中に発生する農家の損失を最小化できるバンディット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。 南マリの事例スタディで,フィールドトライアルの応答を模倣するために,DSSAT (Agro-Technological Transfer) の作物モデルに対する決定支援システムの改良を行った。 そこで我々は,リスク対応尺度,条件付きバリュー・アット・リスク(CVaR),新しい農業指標Yield Excess(YE)を用いて,肥料の実践を比較した。 yeは穀物の収量と農業的窒素利用効率の両方を担っている。 盗賊は直感的な戦略よりも優れており、ほとんどの場合、最悪の結果に対する農民の保護が増大した。 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,リスク認識型アンサンブル識別のための新たな地平を開く手法である。

関連論文リスト

• 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)
• Mimicking Better by Matching the Approximate Action Distribution [48.81067017094468]
  そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。 我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T12:43:47Z)
• Efficient Anomaly Detection with Budget Annotation Using Semi-Supervised Residual Transformer [71.12751395582518]
  異常検出は、通常、訓練中に通常のサンプルのみが見られ、検出器は飛行中の異常を検出する必要があるため、難しい。 最近提案されたディープラーニングベースのアプローチは、この問題を緩和する可能性があるが、実世界の応用のための産業レベルの異常検知器を得るには、まだまだ長い道のりがある。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• Evaluating Digital Agriculture Recommendations with Causal Inference [0.9213852038999553]
  本稿では,デジタルツールが農業成績指標に与える影響を実証的に評価するための観察因果推論フレームワークを提案する。 ケーススタディとして,数値気象予測に基づく綿の最適播種時間推薦システムの設計と実装を行った。 バックドア基準を用いて, 播種勧告が収量に与える影響を同定し, 線形回帰, マッチング, 逆確率スコア重み付け, メタラーナーを用いて推定した。
  論文  参考訳（メタデータ） (2022-11-30T12:20:08Z)
• Risk-averse Stochastic Optimization for Farm Management Practices and Cultivar Selection Under Uncertainty [8.427937898153779]
  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。
  論文  参考訳（メタデータ） (2022-07-17T01:14:43Z)
• Optimizing Nitrogen Management with Deep Reinforcement Learning and Crop Simulations [11.576438685465797]
  窒素 (N) 管理は土壌の肥大化と作物生産の維持に重要であり, 負の環境影響を最小限に抑えるが, 最適化は困難である。 本稿では,深部強化学習(RL)を用いた知的N管理システムと農業技術移転意思決定支援システム(DSSAT)を用いた作物シミュレーションを提案する。 次に、シミュレーションされた作物環境とRLエージェントとの日々のインタラクションを可能にするGym-DSSATインタフェースと、Q-networkとソフトアクタ-クリティックアルゴリズムを用いて管理ポリシーをトレーニングする。
  論文  参考訳（メタデータ） (2022-04-21T20:26:41Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks [0.0]
  害虫や病気による作物の失敗はインド農業に固有のものであり、毎年15から25%の生産性が失われている。 本研究はコンボリューショナル・ネットワークを用いて3つの作物の植物や植物の葉のサンプルを15クラスに分類する。
  論文  参考訳（メタデータ） (2020-11-08T19:03:02Z)

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。