論文の概要: A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection

• arxiv url: http://arxiv.org/abs/2309.13021v1
• Date: Fri, 22 Sep 2023 17:31:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 13:28:31.616609
• Title: A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection
• Title（参考訳）: ハイブリッド深層学習に基づく環境選択による最適遺伝子型決定手法
• Authors: Zahra Khalilzadeh, Motahareh Kashanian, Saeed Khaki, Lizhi Wang
• Abstract要約: 我々は,13年間に159か所をカバーし,93,028のトレーニング記録からなるデータセットを用いて10,337回のテスト記録の収量予測を行った(2003-2015)。 このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。 我々は、CNNと完全接続ネットワークを組み合わせたCNN-DNNモデルと、気象変数にLSTM層を追加するCNN-LSTM-DNNモデルという、2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。
• 参考スコア（独自算出の注目度）: 8.084449311613517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise crop yield prediction is essential for improving agricultural practices and ensuring crop resilience in varying climates. Integrating weather data across the growing season, especially for different crop varieties, is crucial for understanding their adaptability in the face of climate change. In the MLCAS2021 Crop Yield Prediction Challenge, we utilized a dataset comprising 93,028 training records to forecast yields for 10,337 test records, covering 159 locations across 28 U.S. states and Canadian provinces over 13 years (2003-2015). This dataset included details on 5,838 distinct genotypes and daily weather data for a 214-day growing season, enabling comprehensive analysis. As one of the winning teams, we developed two novel convolutional neural network (CNN) architectures: the CNN-DNN model, combining CNN and fully-connected networks, and the CNN-LSTM-DNN model, with an added LSTM layer for weather variables. Leveraging the Generalized Ensemble Method (GEM), we determined optimal model weights, resulting in superior performance compared to baseline models. The GEM model achieved lower RMSE (5.55% to 39.88%), reduced MAE (5.34% to 43.76%), and higher correlation coefficients (1.1% to 10.79%) when evaluated on test data. We applied the CNN-DNN model to identify top-performing genotypes for various locations and weather conditions, aiding genotype selection based on weather variables. Our data-driven approach is valuable for scenarios with limited testing years. Additionally, a feature importance analysis using RMSE change highlighted the significance of location, MG, year, and genotype, along with the importance of weather variables MDNI and AP.
• Abstract（参考訳）: 精密な収穫予測は、農業慣行を改善し、様々な気候における作物の弾力性を確保するために不可欠である。 気候データの統合は、特に様々な作物種において、気候変動に直面して適応性を理解する上で重要である。 MLCAS2021 Crop Yield Prediction Challengeでは、米国28州とカナダの159カ所を13年間にわたってカバーし、93,028のトレーニング記録を10,337件の試験記録の収量予測に利用した(2003-2015)。 このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。 優勝チームのひとつとして,CNNと完全接続ネットワークを組み合わせたCNN-DNNモデル,CNN-LSTM-DNNモデルという2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。 一般化アンサンブル法(gem)を用いて最適モデル重みを決定し,ベースラインモデルと比較して優れた性能を得た。 GEMモデルはRMSEを低く(5.55%から39.88%)、MAEを小さく(5.34%から43.76%)、相関係数を高く(1.1%から10.79%)した。 我々はcnn-dnnモデルを用いて,様々な場所や気象条件における最高パフォーマンス遺伝子型を同定し,気象変数に基づく遺伝子型選択を支援する。 データ駆動のアプローチは、テスト期間が限定されたシナリオに有用です。 さらに,RMSE変化を用いた特徴量分析では,気象変数MDNIとAPの重要性とともに,位置,MG,年,ジェノタイプの重要性が強調された。

関連論文リスト

• CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
  我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。 CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。 UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
  論文  参考訳（メタデータ） (2024-11-25T23:34:53Z)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Towards Learned Emulation of Interannual Water Isotopologue Variations in General Circulation Models [2.161227459325287]
  本研究では, 降水時の酸素同位体組成の明示的な物理に基づくシミュレーションを, 機械学習を用いて置き換える可能性を検討する。 我々は、UNetアーキテクチャの成功に基づいて畳み込みニューラルネットワーク(CNN)を実装し、球面ネットワークアーキテクチャが地球の緯度-経度格子を平坦な画像として扱うという単純なアプローチよりも優れているかどうかをテストする。
  論文  参考訳（メタデータ） (2023-01-31T07:54:52Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• A Meta-Analysis of Solar Forecasting Based on Skill Score [0.0]
  定性的な太陽予測の総合的メタ分析を,スキルスコアに基づいて行った。 4,687点のデータベースを構築し解析した。 時間内および日内予測は日頭予測よりも改善が見られた。
  論文  参考訳（メタデータ） (2022-08-22T18:37:01Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)

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。