論文の概要: Deep Learning for Reference-Free Geolocation for Poplar Trees
- arxiv url: http://arxiv.org/abs/2301.13387v1
- Date: Tue, 31 Jan 2023 03:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 17:41:52.434940
- Title: Deep Learning for Reference-Free Geolocation for Poplar Trees
- Title（参考訳）: ポプラ樹の参照自由測地のための深層学習
- Authors: Cai W. John, Owen Queen, Wellington Muchero, and Scott J. Emrich
- Abstract要約: ジオロケーションは、その遺伝的な構成に基づいて、与えられたサンプルの原産地を特定することに関係している。
本稿では,米国エネルギー省が高速回転型バイオ燃料作物として同定したPopulus trichocarpa(Poplar)のゲノム位置について検討する。
我々のモデルであるMashNetは、ランダムにサンプリングされた不整合配列断片からポプラ木の緯度と経度を予測する。
- 参考スコア（独自算出の注目度）: 0.17999333451993943
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A core task in precision agriculture is the identification of climatic and
ecological conditions that are advantageous for a given crop. The most succinct
approach is geolocation, which is concerned with locating the native region of
a given sample based on its genetic makeup. Here, we investigate genomic
geolocation of Populus trichocarpa, or poplar, which has been identified by the
US Department of Energy as a fast-rotation biofuel crop to be harvested
nationwide. In particular, we approach geolocation from a reference-free
perspective, circumventing the need for compute-intensive processes such as
variant calling and alignment. Our model, MashNet, predicts latitude and
longitude for poplar trees from randomly-sampled, unaligned sequence fragments.
We show that our model performs comparably to Locator, a state-of-the-art
method based on aligned whole-genome sequence data. MashNet achieves an error
of 34.0 km^2 compared to Locator's 22.1 km^2. MashNet allows growers to quickly
and efficiently identify natural varieties that will be most productive in
their growth environment based on genotype. This paper explores geolocation for
precision agriculture while providing a framework and data source for further
development by the machine learning community.
- Abstract（参考訳）: 精密農業における中核的な課題は、ある作物に有利な気候条件と生態条件の同定である。
最も簡潔なアプローチは位置決めであり、遺伝子構成に基づいてサンプルの原産地を特定することである。
本稿では,米国エネルギー省が全国で収穫する高速回転型バイオ燃料作物として同定したPopulus trichocarpa(Poplar)のゲノム位置について検討する。
特に,レファレンスフリーな視点からジオロケーションにアプローチし,異種呼出しやアライメントといった計算集約的なプロセスの必要性を回避している。
我々のモデルであるMashNetはランダムにサンプリングされた配列断片からポプラ木の緯度と経度を予測する。
提案手法は全ゲノム配列データに基づく最先端手法であるlocatorと同等の性能を示す。
MashNet は Locator の 22.1 km^2 と比較して 34.0 km^2 の誤差を達成する。
mashnetにより、栽培者は、遺伝子型に基づいて成長環境において最も生産的な自然品種を迅速かつ効率的に識別することができる。
本稿では,機械学習コミュニティによるさらなる開発のためのフレームワークとデータソースを提供しながら,精密農業のための位置情報について検討する。
関連論文リスト
- Spatioformer: A Geo-encoded Transformer for Large-Scale Plant Species Richness Prediction [3.017562867737194]
本研究では,位置情報エンコーダを変換器モデルと結合して位置情報コンテキストをリモートセンシング画像に符号化するSpatioformerを提案する。
以上の結果から,大規模な空間スケールでの衛星観測から種多様性を予測する上で,位置情報が有利であることが示唆された。
本研究で得られた豊かさマップは, オーストラリアにおける植物種の豊かさの時間的動態を明らかにし, 植物多様性保全のための効果的な計画と政策開発を示唆する証拠を提供する。
論文 参考訳（メタデータ） (2024-10-25T02:21:01Z) - Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - G3: An Effective and Adaptive Framework for Worldwide Geolocalization Using Large Multi-Modality Models [40.69217368870192]
我々は、レトリーバル拡張世代(RAG)に基づく世界規模の地理的ローカライゼーションのための新しい枠組みを提案する。
G3は、ジオアライメント、ジオディバーシフィケーション、ジオビジュアライゼーションの3つのステップから構成される。
2つの確立されたデータセットの実験は、他の最先端手法と比較してG3の優位性を検証する。
論文 参考訳（メタデータ） (2024-05-23T15:37:06Z) - Predicting the Geothermal Gradient in Colombia: a Machine Learning Approach [0.0]
地熱勾配の決定は 特定の地域の地熱エネルギーポテンシャルを評価するのに 不可欠です
地熱勾配の予測に教師付き機械学習の最近の進歩を活用するアプローチを提案する。
我々は,本モデルの予測精度が12%以内であり,他の著者による独立測定値が本モデルとよく一致していることを示す。
論文 参考訳（メタデータ） (2024-04-08T04:18:54Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳（メタデータ） (2023-06-05T03:36:01Z) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳（メタデータ） (2023-05-11T03:21:56Z) - GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。
まず,地理的適応のための大規模データセットGeoNetを紹介する。
第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。
第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-27T17:59:34Z) - 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。