論文の概要: Analysis of Biomass Sustainability Indicators from a Machine Learning Perspective

• arxiv url: http://arxiv.org/abs/2302.00828v1
• Date: Thu, 2 Feb 2023 02:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 15:41:03.704703
• Title: Analysis of Biomass Sustainability Indicators from a Machine Learning Perspective
• Title（参考訳）: 機械学習から見たバイオマスサステナビリティ指標の分析
• Authors: Syeda Nyma Ferdous, Xin Li, Kamalakanta Sahoo, Richard Bergman
• Abstract要約: 本研究では,機械学習モデルを用いてサステナビリティ指標を解析し,バイオマスのサステナビリティ予測のためのロバストモデルを提案する。 10種類の機械学習モデルを用いて, バイオマス持続可能性指標, 土壌浸食因子, 土壌条件指標, 有機物因子を推定した。 その結果,サステナビリティ指標を評価する上では,ランダムフォレストが最も優れたモデルであることが示唆された。
• 参考スコア（独自算出の注目度）: 4.129067364486898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant biomass estimation is critical due to the variability of different environmental factors and crop management practices associated with it. The assessment is largely impacted by the accurate prediction of different environmental sustainability indicators. A robust model to predict sustainability indicators is a must for the biomass community. This study proposes a robust model for biomass sustainability prediction by analyzing sustainability indicators using machine learning models. The prospect of ensemble learning was also investigated to analyze the regression problem. All experiments were carried out on a crop residue data from the Ohio state. Ten machine learning models, namely, linear regression, ridge regression, multilayer perceptron, k-nearest neighbors, support vector machine, decision tree, gradient boosting, random forest, stacking and voting, were analyzed to estimate three biomass sustainability indicators, namely soil erosion factor, soil conditioning index, and organic matter factor. The performance of the model was assessed using cross-correlation (R2), root mean squared error and mean absolute error metrics. The results showed that Random Forest was the best performing model to assess sustainability indicators. The analyzed model can now serve as a guide for assessing sustainability indicators in real time.
• Abstract（参考訳）: 植物バイオマスの推定は、異なる環境要因の変動とそれに関連する作物管理の実践のために重要である。 この評価は、異なる環境サステナビリティ指標の正確な予測に大きく影響している。 サステナビリティ指標を予測するための堅牢なモデルは、バイオマスコミュニティにとって必須である。 本研究では,機械学習モデルを用いてサステナビリティ指標を解析し,バイオマスサステナビリティ予測のためのロバストモデルを提案する。 回帰問題を分析するためにアンサンブル学習の展望も検討した。 全ての実験は、オハイオ州の作物残基データに基づいて行われた。 10種類の機械学習モデル,すなわち線形回帰,隆起回帰,多層パーセプトロン,k-アネレスト近傍,支持ベクトルマシン,決定木,勾配押し上げ,ランダム森林,積み上げ,投票を行い,土壌浸食係数,土壌条件指標,有機物係数の3つのバイオマス持続可能性指標を推定した。 モデルの性能はクロス相関(R2)、ルート平均二乗誤差、平均絶対誤差メトリクスを用いて評価した。 その結果,無作為林は持続可能性指標を評価する最善のモデルであった。 分析されたモデルは、サステナビリティ指標をリアルタイムに評価するためのガイドとして機能する。

関連論文リスト

• VegeDiff: Latent Diffusion Model for Geospatial Vegetation Forecasting [58.12667617617306]
  地理空間植生予測タスクのためのVegeDiffを提案する。 VegeDiffは、植物の変化過程の不確かさを確率的に捉えるために拡散モデルを使用した最初の企業である。 植生の変化の不確かさを捉え、関連する変数の複雑な影響をモデル化することで、VegeDiffは既存の決定論的手法より優れている。
  論文  参考訳（メタデータ） (2024-07-17T14:15:52Z)
• Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
  本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。 我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。 モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
  論文  参考訳（メタデータ） (2024-07-11T08:23:46Z)
• ExioML: Eco-economic dataset for Machine Learning in Global Sectoral Sustainability [11.925553950065895]
  本稿では,サステナビリティ分析用に設計された最初の機械学習ベンチマークデータセットであるExioMLを紹介する。 セクターサステナビリティを評価し,データセットのユーザビリティを実証するために,温室効果ガスのレグレッションタスクを実施した。
  論文  参考訳（メタデータ） (2024-06-11T17:06:34Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• Towards Machine Learning-based Fish Stock Assessment [0.0]
  本稿では,機械学習モデルを用いたストックパラメータの推定と予測の改善について検討する。 本稿では,古典統計ストックアセスメントモデルと教師付きMLを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:44:15Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Fuzzy clustering for the within-season estimation of cotton phenology [0.0]
  本研究では,綿花の季節内表現学評価のための新しい手法を提案する。 本手法は, スパース・アンス・グラウンドの真理データにおいて, 常に存在する問題に対処するために, 教師なしの手法である。 このモデルを評価するため,ギリシャのオルコメノスで1,285の栽培地観測を行った。
  論文  参考訳（メタデータ） (2022-11-25T13:30:57Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

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。