論文の概要: Integrating processed-based models and machine learning for crop yield
prediction
- arxiv url: http://arxiv.org/abs/2307.13466v1
- Date: Tue, 25 Jul 2023 12:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 17:05:49.485831
- Title: Integrating processed-based models and machine learning for crop yield
prediction
- Title(参考訳): 収量予測のための処理ベースモデルと機械学習の統合
- Authors: Michiel G.J. Kallenberg, Bernardo Maestrini, Ron van Bree, Paul
Ravensbergen, Christos Pylianidis, Frits van Evert, and Ioannis N.
Athanasiadis (Wageningen University and Research, the Netherlands)
- Abstract要約: 本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。
作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。
シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
- 参考スコア(独自算出の注目度): 1.3107669223114085
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Crop yield prediction typically involves the utilization of either
theory-driven process-based crop growth models, which have proven to be
difficult to calibrate for local conditions, or data-driven machine learning
methods, which are known to require large datasets. In this work we investigate
potato yield prediction using a hybrid meta-modeling approach. A crop growth
model is employed to generate synthetic data for (pre)training a convolutional
neural net, which is then fine-tuned with observational data. When applied in
silico, our meta-modeling approach yields better predictions than a baseline
comprising a purely data-driven approach. When tested on real-world data from
field trials (n=303) and commercial fields (n=77), the meta-modeling approach
yields competitive results with respect to the crop growth model. In the latter
set, however, both models perform worse than a simple linear regression with a
hand-picked feature set and dedicated preprocessing designed by domain experts.
Our findings indicate the potential of meta-modeling for accurate crop yield
prediction; however, further advancements and validation using extensive
real-world datasets is recommended to solidify its practical effectiveness.
- Abstract(参考訳): 作物収量予測は通常、局所的な条件の調整が困難であることが証明された理論駆動のプロセスベースの作物成長モデルや、大規模なデータセットを必要とすることが知られているデータ駆動機械学習手法を利用する。
本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。
作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成し、観察データで微調整する。
シリコンに適用すると、我々のメタモデリングアプローチは、純粋にデータ駆動アプローチからなるベースラインよりも優れた予測が得られる。
実世界の実地データ(n=303)と商業分野(n=77)で試験すると、メタモデリング手法は作物の生育モデルに関して競合する結果をもたらす。
しかし、後者のセットでは、両方のモデルはハンドピックされたフィーチャセットとドメインエキスパートが設計した専用の前処理を持つ単純な線形回帰よりもパフォーマンスが悪くなります。
本研究は,正確な収穫量予測のためのメタモデリングの可能性を示しているが,実世界の広範なデータセットを用いたさらなる進歩と検証は,その実用的効果を確固たるものにすることが推奨されている。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - On the Stability of Iterative Retraining of Generative Models on their
own Data [56.153542044045224]
生成モデルの訓練がデータセット(実データと合成データの混合データ)の安定性に及ぼす影響について検討した。
まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。
我々は,CIFAR10およびFFHQ上の正規化フローと最先端拡散モデルの反復的訓練により,合成画像と自然画像の両方に関する理論を実証的に検証した。
論文 参考訳(メタデータ) (2023-09-30T16:41:04Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳(メタデータ) (2023-06-20T09:46:01Z) - A Comprehensive Modeling Approach for Crop Yield Forecasts using
AI-based Methods and Crop Simulation Models [0.21094707683348418]
本稿では,データ駆動型ソリューション,作物シミュレーションモデル,モデルサロゲートを組み合わせた収量予測のための総合的アプローチを提案する。
データ駆動型モデリング手法は従来の手法よりも91%近い収率相関予測で優れていた。
論文 参考訳(メタデータ) (2023-06-16T18:13:24Z) - Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
我々は,累積モデル組合せ (AMC) という解を提案する。
AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
論文 参考訳(メタデータ) (2023-05-06T20:56:20Z) - 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) - Temporal Convolution Domain Adaptation Learning for Crops Growth
Prediction [5.966652553573454]
我々は、限られた作物データを用いて、作物の成長曲線を予測するために、ドメイン適応学習に基づく革新的なネットワークアーキテクチャを構築した。
私たちは、時間的畳み込みフィルタをバックボーンとして使用し、ドメイン適応ネットワークアーキテクチャを構築しました。
その結果,提案した時間的畳み込みに基づくネットワークアーキテクチャは,精度だけでなく,モデルサイズや収束率においても,すべてのベンチマークより優れていた。
論文 参考訳(メタデータ) (2022-02-24T14:22:36Z) - Learning Consistent Deep Generative Models from Sparse Data via
Prediction Constraints [16.48824312904122]
我々は変分オートエンコーダやその他の深層生成モデルを学ぶための新しいフレームワークを開発する。
これら2つのコントリビューション -- 予測制約と一貫性制約 -- が,画像分類性能の有望な向上につながることを示す。
論文 参考訳(メタデータ) (2020-12-12T04:18:50Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Forecasting Industrial Aging Processes with Machine Learning Methods [0.0]
我々は、従来のステートレスモデルとより複雑なリカレントニューラルネットワークを比較して、幅広いデータ駆動モデルを評価する。
以上の結果から,リカレントモデルでは,より大きなデータセットでトレーニングした場合,ほぼ完璧な予測が得られた。
論文 参考訳(メタデータ) (2020-02-05T13:06:44Z)
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。