論文の概要: Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction

• arxiv url: http://arxiv.org/abs/2210.11226v1
• Date: Thu, 20 Oct 2022 13:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 13:56:01.813653
• Title: Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction
• Title（参考訳）: アルファルファバイオマス収量予測のための機械学習技術の比較
• Authors: Jonathan Vance, Khaled Rasheed, Ali Missaoui, Frederick Maier, Christian Adkins, Chris Whitmire
• Abstract要約: アルファルファの作物は 家畜の餌として 世界的に重要で 効率的な植え付けと収穫は 多くの産業に役立ちます 機械学習を用いてアルファルファやその他の作物の収量を予測する最近の研究は、有望であることが示されている。 これまでの取り組みでは、リモートセンシング、天気、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。
• 参考スコア（独自算出の注目度）: 0.8808021343665321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The alfalfa crop is globally important as livestock feed, so highly efficient planting and harvesting could benefit many industries, especially as the global climate changes and traditional methods become less accurate. Recent work using machine learning (ML) to predict yields for alfalfa and other crops has shown promise. Previous efforts used remote sensing, weather, planting, and soil data to train machine learning models for yield prediction. However, while remote sensing works well, the models require large amounts of data and cannot make predictions until the harvesting season begins. Using weather and planting data from alfalfa variety trials in Kentucky and Georgia, our previous work compared feature selection techniques to find the best technique and best feature set. In this work, we trained a variety of machine learning models, using cross validation for hyperparameter optimization, to predict biomass yields, and we showed better accuracy than similar work that employed more complex techniques. Our best individual model was a random forest with a mean absolute error of 0.081 tons/acre and R{$^2$} of 0.941. Next, we expanded this dataset to include Wisconsin and Mississippi, and we repeated our experiments, obtaining a higher best R{$^2$} of 0.982 with a regression tree. We then isolated our testing datasets by state to explore this problem's eligibility for domain adaptation (DA), as we trained on multiple source states and tested on one target state. This Trivial DA (TDA) approach leaves plenty of room for improvement through exploring more complex DA techniques in forthcoming work.
• Abstract（参考訳）: アルファルファの作物は家畜の飼料として世界的に重要であり、特に地球規模の気候変動や伝統的な方法が正確でないため、高い効率のプランテーションと収穫が多くの産業に利益をもたらす可能性がある。 近年,アルファルファなどの作物の収量予測に機械学習(ML)が用いられている。 これまではリモートセンシング、天候、植林、土壌データを使用して、収量予測のための機械学習モデルをトレーニングしていた。 しかし、リモートセンシングはうまく機能するが、モデルは大量のデータを必要とし、収穫シーズンが始まるまで予測できない。 ケンタッキーとジョージアのアルファルファ品種試験の天候と植林データを用いて、我々のこれまでの研究は、特徴選択技術を比較して、最良の技術と最高の特徴セットを見つけました。 本研究では,多種多様な機械学習モデルを訓練し,超パラメータ最適化のためのクロス検証を用いてバイオマスの収量を予測する。 我々の最良の個体モデルは、平均絶対誤差0.081トン/エーカー、R{$^2$} 0.941のランダム森林であった。 次に、このデータセットをウィスコンシン州とミシシッピ州を含むように拡張し、回帰木で0.982の最高のr{$^2$}を得る実験を繰り返しました。 次に、複数のソース状態でトレーニングし、ひとつのターゲット状態でテストしたように、テストデータセットを状態別に分離して、この問題のドメイン適応(DA)の適性を調べました。 このTrivial DA(TDA)アプローチは、今後の作業でより複雑なDAテクニックを探求することで、改善の余地を数多く残します。

関連論文リスト

• A Deep Learning Model for Heterogeneous Dataset Analysis -- Application to Winter Wheat Crop Yield Prediction [0.6595290783361958]
  LSTM(Long Short Term Memory)のような時系列深層学習モデルはすでに検討され、予測に応用されている。 既存のLSTMは異種データセットを扱えない。 ヘテロジニアスデータセットを扱うことができる効率的なディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-20T23:39:06Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Distill Gold from Massive Ores: Bi-level Data Pruning towards Efficient Dataset Distillation [96.92250565207017]
  本研究では,データセット蒸留作業におけるデータ効率と選択について検討する。 蒸留の力学を再現することにより、実際のデータセットに固有の冗長性についての洞察を提供する。 蒸留における因果関係から最も寄与した試料を見出した。
  論文  参考訳（メタデータ） (2023-05-28T06:53:41Z)
• Productive Crop Field Detection: A New Dataset and Deep Learning Benchmark Results [1.2233362977312945]
  精密農業において、生産的作物畑の検出は、農家が作業性能を評価するための必須の慣行である。 従来の研究では、先進的な機械学習アルゴリズムを用いて、作物畑を検出する様々な方法が研究されている。 本稿では,マシン操作とSentinel-2画像を組み合わせた高品質なデータセットを提案する。
  論文  参考訳（メタデータ） (2023-05-19T20:30:59Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Corn Yield Prediction based on Remotely Sensed Variables Using Variational Autoencoder and Multiple Instance Regression [1.2697842097171117]
  アメリカ合衆国ではトウモロコシが最も生産される作物であり、アメリカ食生活に欠かせない部分であった。 サプライチェーン管理と地域食料安全保障の需要に応えるため、精密農業において、正確かつタイムリーに大規模なトウモロコシ収量予測が注目されている。 近年,収穫量予測のためにリモートセンシング技術や機械学習手法が広く研究されている。
  論文  参考訳（メタデータ） (2022-11-23T20:18:26Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。