論文の概要: From Text to Trends: A Unique Garden Analytics Perspective on the Future
of Modern Agriculture
- arxiv url: http://arxiv.org/abs/2309.12579v1
- Date: Fri, 22 Sep 2023 02:15:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 16:12:06.427055
- Title: From Text to Trends: A Unique Garden Analytics Perspective on the Future
of Modern Agriculture
- Title(参考訳): テキストからトレンドへ:近代農業の未来に関するユニークな庭分析
- Authors: Parag Saxena
- Abstract要約: 本研究は,園芸の分野の人々に対して,私たちがどのように教育し,手を差し伸べるかを改善するために設計された機械学習フレームワークを紹介する。
このフレームワークはHorticulture Online Help Desk(HOHD)のデータに依存している。
NLP, 分類, 時系列分析は, 住宅所有者の問合せのパターンを特定し, 園芸の今後の傾向を予測するのに有効であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven insights are essential for modern agriculture. This research
paper introduces a machine learning framework designed to improve how we
educate and reach out to people in the field of horticulture. The framework
relies on data from the Horticulture Online Help Desk (HOHD), which is like a
big collection of questions from people who love gardening and are part of the
Extension Master Gardener Program (EMGP). This framework has two main parts.
First, it uses special computer programs (machine learning models) to sort
questions into categories. This helps us quickly send each question to the
right expert, so we can answer it faster. Second, it looks at when questions
are asked and uses that information to guess how many questions we might get in
the future and what they will be about. This helps us plan on topics that will
be really important. It's like knowing what questions will be popular in the
coming months. We also take into account where the questions come from by
looking at the Zip Code. This helps us make research that fits the challenges
faced by gardeners in different places. In this paper, we demonstrate the
potential of machine learning techniques to predict trends in horticulture by
analyzing textual queries from homeowners. We show that NLP, classification,
and time series analysis can be used to identify patterns in homeowners'
queries and predict future trends in horticulture. Our results suggest that
machine learning could be used to predict trends in other agricultural sectors
as well. If large-scale agriculture industries curate and maintain a comparable
repository of textual data, the potential for trend prediction and strategic
agricultural planning could be revolutionized. This convergence of technology
and agriculture offers a promising pathway for the future of sustainable
farming and data-informed agricultural practices
- Abstract(参考訳): データ駆動の洞察は現代の農業に不可欠である。
本研究は,園芸分野の人々を教育し,リーチする方法を改善するために設計された機械学習フレームワークを提案する。
このフレームワークはHorticulture Online Help Desk(HOHD)のデータに依存している。これはガーデニングが大好きで、Extension Master Gardener Program(EMGP)の一部である人々からの質問のコレクションのようなものだ。
この枠組みには2つの主な部分がある。
まず、特別なコンピュータプログラム(機械学習モデル)を使用して質問をカテゴリに分類する。
これにより、各質問を適切な専門家に迅速に送ることができます。
第二に、質問がいつ送られて、その情報を使って、将来どれだけの質問が得られ、彼らが何を考えているのかを推測する。
これは本当に重要なトピックを計画するのに役立ちます。
それは、今後数ヶ月でどんな質問が人気になるかを知るようなものです。
また、zipコードを見て、質問の出所も考慮に入れています。
これは、異なる場所で庭師が直面する課題に合致する研究に役立ちます。
本稿では,住宅主からのテキストクエリを解析することにより,園芸のトレンドを予測する機械学習技術の可能性を実証する。
NLP, 分類, 時系列分析は, 住宅所有者の問い合わせのパターンを特定し, 園芸の今後の傾向を予測するのに有効であることを示す。
以上の結果から,機械学習が他の農業分野のトレンド予測にも活用できる可能性が示唆された。
大規模農業産業がテキストデータと同等のリポジトリをキュレートし維持すれば、トレンド予測と戦略的農業計画が変革する可能性がある。
この技術と農業の収束は、持続可能な農業とデータインフォームド農業の実践の将来に有望な経路を提供する
関連論文リスト
- Predicting Agricultural Commodities Prices with Machine Learning: A
Review of Current Research [1.099532646524593]
農業価格の予測は農家、政策立案者、その他の農業分野の利害関係者にとって重要である。
機械学習アルゴリズムは、精度、リアルタイム予測、カスタマイズ、統合を改善して、農業の価格予測に革命をもたらす可能性がある。
機械学習は農業価格予測に革命をもたらす可能性があると結論付けているが、このアプローチに関連する限界と課題に対処するためには、さらなる研究が不可欠である。
論文 参考訳(メタデータ) (2023-10-28T09:09:29Z) - PhenoBench -- A Large Dataset and Benchmarks for Semantic Image
Interpretation in the Agricultural Domain [29.590872330449315]
実畑のイメージを意味論的に解釈するための大規模なデータセットとベンチマークを提示する。
UAVで記録したデータセットは、作物や雑草の高品質で密集したアノテーションを提供するだけでなく、作物の葉のきめ細かいラベルも提供します。
異なるフィールドからなる隠れテストセット上で、異なる視覚的知覚タスクを評価するための新しいベンチマークを提供する。
論文 参考訳(メタデータ) (2023-06-07T16:04:08Z) - Revolutionizing Agrifood Systems with Artificial Intelligence: A Survey [93.34268594812599]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳(メタデータ) (2023-05-03T05:16:54Z) - OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer
Learning for Telepresence Robotics [124.08684545010664]
画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。
オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
論文 参考訳(メタデータ) (2022-02-21T13:23:15Z) - Everything You wanted to Know about Smart Agriculture [2.5155102296586036]
世界の人口は2050年までに20億近く増加すると予想され、食料需要の急激な増加を招いた。
人口増加のニーズを満たすためには、農業産業を近代化する必要がある。
従来の農業は、既存の技術を採用することで、効率的で持続可能で、エコフレンドリーなスマート農業に書き換えることができる。
論文 参考訳(メタデータ) (2022-01-13T00:48:36Z) - An Ontological Knowledge Representation for Smart Agriculture [1.5484595752241122]
本稿では,スマートシステムのための農業的枠組みについて述べる。
知識グラフは、時間的農業データの分析と推論を行う格子として表現される。
論文 参考訳(メタデータ) (2021-12-21T14:58:04Z) - Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。
我々は,読者が情報を求めるための実践的な戦略に携わることを示す。
我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
論文 参考訳(メタデータ) (2020-10-04T19:03:39Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳(メタデータ) (2020-08-29T15:14:03Z) - 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) - Artificial Intelligence for Digital Agriculture at Scale: Techniques,
Policies, and Challenges [1.1245087602142634]
デジタル農業は農業のスループットを変えるという約束を持っている。
データサイエンスとエンジニアリングを適用して、利用可能なリソースを束縛しながら、入力要素を作物のスループットにマッピングする。
この論文は、次世代のデジタル農業ソリューションの進化に向けて、エンドツーエンドパイプラインを導く重要な疑問をまとめる最初のものである。
論文 参考訳(メタデータ) (2020-01-21T06:02:38Z) - Agriculture-Vision: A Large Aerial Image Database for Agricultural
Pattern Analysis [110.30849704592592]
本稿では,農業パターンのセマンティックセグメンテーションのための大規模空中農地画像データセットであるGarmry-Visionを提案する。
各画像はRGBと近赤外線(NIR)チャンネルで構成され、解像度は1ピクセルあたり10cmである。
農家にとって最も重要な9種類のフィールド異常パターンに注釈を付ける。
論文 参考訳(メタデータ) (2020-01-05T20:19:33Z)
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。