論文の概要: Causal Modeling of Soil Processes for Improved Generalization

• arxiv url: http://arxiv.org/abs/2211.05675v1
• Date: Thu, 10 Nov 2022 16:26:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 16:26:29.910785
• Title: Causal Modeling of Soil Processes for Improved Generalization
• Title（参考訳）: 改良された一般化のための土壌プロセスの因果モデリング
• Authors: Somya Sharma, Swati Sharma, Andy Neal, Sara Malvar, Eduardo Rodrigues, John Crawford, Emre Kiciman, Ranveer Chandra
• Abstract要約: 土壌有機炭素は土壌中の栄養を豊かにするが、貯水量の改善や物理的浸食の制限といったコベネフィットも多様である。 現在のアプローチは、土壌条件や管理プラクティスをまたいでうまく一般化していない。 本研究では, 土壌プロセス間の因果関係の明示的モデリングが, 予測モデルの分布外一般化性を向上させることを実証的に示す。
• 参考スコア（独自算出の注目度）: 6.839859020308749
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Measuring and monitoring soil organic carbon is critical for agricultural productivity and for addressing critical environmental problems. Soil organic carbon not only enriches nutrition in soil, but also has a gamut of co-benefits such as improving water storage and limiting physical erosion. Despite a litany of work in soil organic carbon estimation, current approaches do not generalize well across soil conditions and management practices. We empirically show that explicit modeling of cause-and-effect relationships among the soil processes improves the out-of-distribution generalizability of prediction models. We provide a comparative analysis of soil organic carbon estimation models where the skeleton is estimated using causal discovery methods. Our framework provide an average improvement of 81% in test mean squared error and 52% in test mean absolute error.
• Abstract（参考訳）: 土壌有機炭素の測定とモニタリングは農業生産性と重要な環境問題に対処するために重要である。 土壌有機炭素は土壌の栄養を豊かにするだけでなく、貯水力の向上や物理的浸食の抑制といった共利益も持つ。 土壌有機炭素推定における多くの研究にもかかわらず、現在のアプローチは土壌の状態や管理の慣行にわたってうまく一般化していない。 本研究では,土壌プロセス間の因果関係の明示的モデリングにより,予測モデルの分布外一般化性が向上することを示す。 土壌有機炭素推定モデルの比較分析を行い, 因果的発見法を用いて骨格を推定した。 私たちのフレームワークは、テスト平均二乗誤差が81%、テスト平均絶対誤差が52%の平均改善を提供します。

関連論文リスト

• Soil respiration signals in response to sustainable soil management practices enhance soil organic carbon stocks [0.0]
  比較的高精度な土壌呼吸予測(1991-2018) (NSE 0.69, CCC 0.82) 土壌呼吸の傾向は, 土壌呼吸の傾向が低く, 土壌呼吸の規模が大きくなるとともに, 持続的な土壌管理の実践を経験する地域全体の土壌有機物在庫が増加した。
  論文  参考訳（メタデータ） (2024-03-28T18:06:00Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Machine Learning-based Nutrient Application's Timeline Recommendation for Smart Agriculture: A Large-Scale Data Mining Approach [0.0]
  不正確な肥料の用途の決定は、コストのかかる結果をもたらし、食糧生産を妨げ、環境に害を与える可能性がある。 そこで本研究では, 年間を通じて必要な肥料量を決定することにより, 栄養素の応用を予測する方法を提案する。 提案手法は, 費用対効果と環境に優しい農業を促進するため, 気象条件と土壌特性に基づく肥料量の調整を推奨する。
  論文  参考訳（メタデータ） (2023-10-18T15:37:19Z)
• Knowledge Guided Representation Learning and Causal Structure Learning in Soil Science [7.242065002172681]
  本研究では,土壌科学における科学的発見を促進するためのフレームワーク,知識指導型表現学習,因果構造学習(KGRCL)を提案する。 このフレームワークは, 観測された土壌プロセスと条件分布マッチングにより, シミュレーションされた土壌プロセスの表現学習を改善する。 学習された因果グラフは、他の因果発見法から生成された他のグラフよりも、基底真理を代表している。
  論文  参考訳（メタデータ） (2023-06-15T17:31:13Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• A Deep Neural Network Approach for Crop Selection and Yield Prediction in Bangladesh [0.0]
  本稿では,最小コストと労力で作物の選別と収量予測の最良の方法を示す。 本稿では,農業作物の選択と収量予測にディープニューラルネットワークを用いることを提案する。
  論文  参考訳（メタデータ） (2021-08-06T22:25:46Z)
• 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)
• Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties [0.0]
  化学土壌の特性を知ることは、作物管理と総収量生産において決定的である。 従来の資産推定手法は時間がかかり、複雑な実験室のセットアップを必要とする。 スペクトル信号(vis-NIRS)からの物性推定は、低コストで非侵襲的で非破壊的な代替手段として現れた。
  論文  参考訳（メタデータ） (2020-12-23T21:46:41Z)
• 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)

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。