Fugu-MT 論文翻訳(概要): Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning

論文の概要: Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning

arxiv url: http://arxiv.org/abs/2306.11946v1
Date: Tue, 20 Jun 2023 23:52:39 GMT
ステータス: 処理完了
システム内更新日: 2023-06-22 15:26:30.420498
Title: Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning
Title（参考訳）: 機械学習を用いた多種不均質データセットの冬小麦作物収量予測
Authors: Yogesh Bansal, Dr. David Lillis, Prof. Mohand Tahar Kechadi
Abstract要約: 冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
参考スコア（独自算出の注目度）: 0.2580765958706853
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Winter wheat is one of the most important crops in the United Kingdom, and crop yield prediction is essential for the nation's food security. Several studies have employed machine learning (ML) techniques to predict crop yield on a county or farm-based level. The main objective of this study is to predict winter wheat crop yield using ML models on multiple heterogeneous datasets, i.e., soil and weather on a zone-based level. Experimental results demonstrated their impact when used alone and in combination. In addition, we employ numerous ML algorithms to emphasize the significance of data quality in any machine-learning strategy.
Abstract（参考訳）: 冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。本研究の目的は,複数の異種データセット,すなわち地域レベルでの土壌と気象のMLモデルを用いて,冬期のコムギ収量を予測することである。実験の結果,単独および組み合わせによる影響が示された。さらに,機械学習戦略におけるデータ品質の重要性を強調するために,多数のMLアルゴリズムを用いる。

関連論文リスト

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)
Empirical Study of PEFT techniques for Winter Wheat Segmentation [6.110856077714895]
本研究は,SOTA小麦作モニタリングモデルを用いて,地域間および年外流通の一般化の実現可能性を探究する。我々は,冬期小麦畑の分断に対処するためにSOTA TSViTモデルを適応させることに重点を置いている。 PEFT技術を用いて,TSViTアーキテクチャ全体の0.7%のパラメータのみをトレーニングしながら,完全な微調整手法を用いて達成した手法に匹敵する顕著な結果を得た。
論文参考訳（メタデータ） (2023-10-03T06:42:28Z)
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文参考訳（メタデータ） (2023-08-23T11:03:28Z)
Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction [0.8808021343665321]
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。
論文参考訳（メタデータ） (2022-10-20T13:00:33Z)
MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文参考訳（メタデータ） (2022-08-22T06:40:13Z)
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)
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)
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)
Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。