論文の概要: Innovations in Agricultural Forecasting: A Multivariate Regression Study
on Global Crop Yield Prediction
- arxiv url: http://arxiv.org/abs/2312.02254v1
- Date: Mon, 4 Dec 2023 18:45:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:03:19.492245
- Title: Innovations in Agricultural Forecasting: A Multivariate Regression Study
on Global Crop Yield Prediction
- Title（参考訳）: 農業予測におけるイノベーション--多変量回帰によるグローバル作物収量予測
- Authors: Ishaan Gupta, Samyutha Ayalasomayajula, Yashas Shashidhara, Anish
Kataria, Shreyas Shashidhara, Krishita Kataria, Aditya Undurti
- Abstract要約: 本研究は196か国で収穫量を予測するために6つの回帰モデルを実装した。
4つの主要なトレーニングパラメータ, 農薬 (tonnes), 雨量 (mm), 温度 (Celsius), 収量 (hg/ha) が与えられた結果, 我々のランダムフォレスト回帰モデルは0.94の判定係数 (r2) を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prediction of crop yields internationally is a crucial objective in
agricultural research. Thus, this study implements 6 regression models (Linear,
Tree, Gradient Descent, Gradient Boosting, K- Nearest Neighbors, and Random
Forest) to predict crop yields in 196 countries. Given 4 key training
parameters, pesticides (tonnes), rainfall (mm), temperature (Celsius), and
yield (hg/ha), it was found that our Random Forest Regression model achieved a
determination coefficient (r^2) of 0.94, with a margin of error (ME) of .03.
The models were trained and tested using the Food and Agricultural Organization
of the United Nations data, along with the World Bank Climate Change Data
Catalog. Furthermore, each parameter was analyzed to understand how varying
factors could impact overall yield. We used unconventional models, contrary to
generally used Deep Learning (DL) and Machine Learning (ML) models, combined
with recently collected data to implement a unique approach in our research.
Existing scholarship would benefit from understanding the most optimal model
for agricultural research, specifically using the United Nations data.
- Abstract（参考訳）: 国際的に収穫量の予測は農業研究の重要な目的である。
そこで本研究では,196か国で収穫量を予測するための6つの回帰モデル(Linear, Tree, Gradient Descent, Gradient Boosting, K- Nearest Neighbors, Random Forest)を実装した。
農薬 (tonnes) , 降雨 (mm), 温度 (celsius) および収量 (hg/ha) の4つの主要なトレーニングパラメータを与えられた結果, ランダム森林回帰モデルは0.94の判定係数 (r^2) を達成し, 誤差率 (me) は03。
これらのモデルは、World Bank Climate Change Data Catalogとともに、国連データの食品農業機関を使用してトレーニングされ、テストされた。
さらに,各パラメータを解析し,各要因が全体の収量に与える影響について検討した。
一般的なディープラーニング(dl)と機械学習(ml)モデルとは対照的に、非慣習モデルを使用し、最近収集したデータと組み合わせて、研究に独自のアプローチを取り入れました。
既存の奨学金は、特に国連のデータを用いて、農業研究の最も最適なモデルを理解することの恩恵を受ける。
関連論文リスト
- Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。
我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文 参考訳（メタデータ） (2024-11-07T22:29:05Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - A Novel Fusion of Optical and Radar Satellite Data for Crop Phenology Estimation using Machine Learning and Cloud Computing [0.0]
大地観測データユビキティの時代には、リモートセンシングデータに基づいて作物の表現学を正確に予測する試みが試みられている。
そこで我々は,新しい枠組みを用いて,ドイツ全土の8大作物と13の表現学的発達を30mスケールで推定した。
論文 参考訳（メタデータ） (2024-08-16T13:44:35Z) - Naïve Bayes and Random Forest for Crop Yield Prediction [0.0]
本研究は、1997年から2020年までのインドにおける作物収量予測を、様々な作物や重要な環境要因に着目して分析した。
これは、線形回帰、決定木、KNN、ナイーブベイズ、K平均クラスタリング、ランダムフォレストといった先進的な機械学習技術を活用することで、農業の収量を予測することを目的としている。
論文 参考訳（メタデータ） (2024-04-23T16:55:45Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - A Hybrid Deep Learning-based Approach for Optimal Genotype by
Environment Selection [8.084449311613517]
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。
論文 参考訳（メタデータ） (2023-09-22T17:31:47Z) - Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via
Mixed-Effect Models and Hierarchical Clustering [0.0]
2021年現在、トウモロコシはサハラ以南のアフリカ、アジア、ラテンアメリカで1億9700万ヘクタールを占める。
混合効果モデル、ランダム係数モデル、ランダム森林、ディープラーニングアーキテクチャなど、さまざまな統計的および機械学習モデルが、トウモロコシの収量を予測するために考案されている。
本研究では,無作為な効果をベイズネットワーク(BN)に統合し,その能力を利用して有向非巡回グラフによる因果関係と確率関係をモデル化する。
論文 参考訳（メタデータ） (2023-08-11T21:46:45Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - 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) - 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。