論文の概要: Forecasting Soil Moisture Using Domain Inspired Temporal Graph
Convolution Neural Networks To Guide Sustainable Crop Management
- arxiv url: http://arxiv.org/abs/2212.06565v1
- Date: Mon, 12 Dec 2022 14:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 15:41:41.368518
- Title: Forecasting Soil Moisture Using Domain Inspired Temporal Graph
Convolution Neural Networks To Guide Sustainable Crop Management
- Title（参考訳）: ドメインインスパイアされた時間グラフ畳み込みニューラルネットワークによる土壌水分の予測と持続的作物管理
- Authors: Muneeza Azmat, Malvern Madondo, Kelsey Dipietro, Raya Horesh, Arun
Bawa, Michael Jacobs, Raghavan Srinivasan, Fearghal O'Donncha
- Abstract要約: 本研究の目的は,農業経営の意思決定にドメイン知識と機械学習を用いて土壌水分を予測することである。
このドメイン知識にインスパイアされた我々は、新しいドメインインスパイアされた時間グラフ畳み込みニューラルネットワークを構築した。
我々は,40年間にわたる約99,000個の水文応答ユニットからなるフィールドスケール時系列データに対して,本手法を訓練し,検証し,検証した。
- 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: Climate change, population growth, and water scarcity present unprecedented
challenges for agriculture. This project aims to forecast soil moisture using
domain knowledge and machine learning for crop management decisions that enable
sustainable farming. Traditional methods for predicting hydrological response
features require significant computational time and expertise. Recent work has
implemented machine learning models as a tool for forecasting hydrological
response features, but these models neglect a crucial component of traditional
hydrological modeling that spatially close units can have vastly different
hydrological responses. In traditional hydrological modeling, units with
similar hydrological properties are grouped together and share model parameters
regardless of their spatial proximity. Inspired by this domain knowledge, we
have constructed a novel domain-inspired temporal graph convolution neural
network. Our approach involves clustering units based on time-varying
hydrological properties, constructing graph topologies for each cluster, and
forecasting soil moisture using graph convolutions and a gated recurrent neural
network. We have trained, validated, and tested our method on field-scale time
series data consisting of approximately 99,000 hydrological response units
spanning 40 years in a case study in northeastern United States. Comparison
with existing models illustrates the effectiveness of using domain-inspired
clustering with time series graph neural networks. The framework is being
deployed as part of a pro bono social impact program. The trained models are
being deployed on small-holding farms in central Texas.
- Abstract（参考訳）: 気候変動、人口増加、水不足は農業にとって前例のない課題である。
本研究の目的は、持続可能な農業を可能にする作物管理決定のための、ドメイン知識と機械学習を用いた土壌水分の予測である。
水文反応の特徴を予測する従来の方法は、計算時間と専門知識を必要とする。
最近の研究は、水文応答特性を予測するツールとして機械学習モデルを実装しているが、これらのモデルは、空間的に近接したユニットが全く異なる水文応答を持つことのできる従来の水文モデリングの重要な構成要素を無視している。
従来の水文モデルでは、類似した水文特性を持つ単位をまとめて、その空間的近接に関係なくモデルパラメータを共有する。
このドメイン知識に触発されて、新しいドメインにインスパイアされた時間グラフ畳み込みニューラルネットワークを構築した。
本手法は,時間変動水理特性に基づくクラスタリングユニット,各クラスタのグラフトポロジの構築,およびグラフ畳み込みとゲートリカレントニューラルネットワークを用いた土壌水分の予測を含む。
我々は,米国北東部のケーススタディにおいて,40年間にわたる約99,000個の水文応答ユニットからなるフィールドスケール時系列データを訓練し,検証し,検証した。
既存のモデルとの比較は、時系列グラフニューラルネットワークを用いたドメインインスパイアされたクラスタリングの有効性を示している。
このフレームワークは、pro bono social impactプログラムの一部としてデプロイされている。
訓練されたモデルはテキサス中部の小規模農場に配備されている。
関連論文リスト
- TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-12-10T18:23:40Z) - Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。
我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
論文 参考訳（メタデータ） (2023-09-29T03:33:53Z) - 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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting
Leveraging Heterogeneous Community Features [1.2599533416395765]
本研究の目的は,都市浸水流を対象とした新しい深層学習モデルフレームワークの開発と試験である。
本稿では,アテンションベース時空間グラフ畳み込みネットワーク(ASTGCN)モデルを含む新しい計算モデルを提案する。
以上の結果から, このモデルにより, 都市浸水量の増加に優れた性能が得られることが示唆された。
論文 参考訳（メタデータ） (2021-11-09T15:35:05Z) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳（メタデータ） (2021-09-27T09:19:53Z) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳（メタデータ） (2020-12-07T07:56:11Z) - HydroNets: Leveraging River Structure for Hydrologic Modeling [0.0]
HydroNetsは、特定の降雨流出信号と上流ネットワークダイナミクスの両方を活用するために設計されたディープニューラルネットワークモデルである。
川構造の事前知識の注入は、サンプルの複雑さを減らし、スケーラブルでより正確な水理モデリングを可能にする。
インドにおける2つの大きな盆地に関する実証的研究を行い、提案モデルとその利点を確実に支持する。
論文 参考訳（メタデータ） (2020-07-01T16:32:07Z) - A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。
このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文 参考訳（メタデータ） (2020-06-05T08:04:37Z)
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。