論文の概要: Cotton Yield Prediction Using Random Forest
- arxiv url: http://arxiv.org/abs/2312.02299v1
- Date: Mon, 4 Dec 2023 19:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 17:51:40.228029
- Title: Cotton Yield Prediction Using Random Forest
- Title(参考訳): ランダム林を用いた綿花収量予測
- Authors: Alakananda Mitra, Sahila Beegum, David Fleisher, Vangimalla R. Reddy,
Wenguang Sun, Chittaranjan Ray, Dennis Timlin, Arindam Malakar
- Abstract要約: 温暖化による農業技術は、操業費を減らしながら収量を増やすために開発されている。
作物の収量予測は、作物、土壌タイプ、管理、害虫・病気、気候、気象パターンの複雑で非線形な影響により困難である。
我々は、気候変動、土壌の多様性、品種、無機窒素レベルを考慮して、生産予測に機械学習(ML)を採用している。
- 参考スコア(独自算出の注目度): 1.8887119618534647
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The cotton industry in the United States is committed to sustainable
production practices that minimize water, land, and energy use while improving
soil health and cotton output. Climate-smart agricultural technologies are
being developed to boost yields while decreasing operating expenses. Crop yield
prediction, on the other hand, is difficult because of the complex and
nonlinear impacts of cultivar, soil type, management, pest and disease,
climate, and weather patterns on crops. To solve this issue, we employ machine
learning (ML) to forecast production while considering climate change, soil
diversity, cultivar, and inorganic nitrogen levels. From the 1980s to the
1990s, field data were gathered across the southern cotton belt of the United
States. To capture the most current effects of climate change over the previous
six years, a second data source was produced using the process-based crop
model, GOSSYM. We concentrated our efforts on three distinct areas inside each
of the three southern states: Texas, Mississippi, and Georgia. To simplify the
amount of computations, accumulated heat units (AHU) for each set of
experimental data were employed as an analogy to use time-series weather data.
The Random Forest Regressor yielded a 97.75% accuracy rate, with a root mean
square error of 55.05 kg/ha and an R2 of around 0.98. These findings
demonstrate how an ML technique may be developed and applied as a reliable and
easy-to-use model to support the cotton climate-smart initiative.
- Abstract(参考訳): 米国の綿産業は、土壌の健康と綿生産を改善しながら、水、土地、エネルギー消費を最小限に抑える持続可能な生産慣行を約束している。
温暖な農業技術が開発され、生産コストの削減が図られている。
一方、作物の収量予測は、品種、土壌の種類、管理、害虫と病害、気候、作物の気候パターンが複雑で非線形な影響をもたらすため困難である。
この問題を解決するために, 気候変動, 土壌多様性, 品種, 無機窒素レベルを考慮しつつ, 生産予測に機械学習(ml)を応用した。
1980年代から1990年代にかけて、フィールドデータはアメリカ合衆国南部コットンベルトに集められた。
過去6年間の気候変動の影響を捉えるため、プロセスベースの作物モデルであるGOSSYMを用いて第2のデータソースが作成された。
我々は、南部3州(テキサス州、ミシシッピ州、ジョージア州)の3つの異なる地域に集中した。
計算を単純化するため, 時系列気象データを用いて, 実験データの集合ごとに蓄積した熱ユニット(AHU)を類似体として使用した。
ランダムフォレスト回帰器は97.75%の精度で、根平均2乗誤差は55.05 kg/ha、R2は約0.98である。
これらの結果から,綿花の温暖化対策を支援するため,ML手法を信頼性と使い勝手の良いモデルとして開発・適用する方法が示唆された。
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) - A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。
推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
論文 参考訳(メタデータ) (2024-03-28T09:57:50Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - 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) - 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) - Predicting crop yields with little ground truth: A simple statistical
model for in-season forecasting [0.0]
シーズン内収量予測のための完全自動モデルを提案する。
我々のアプローチは主に衛星データに依存しており、簡単な回帰モデルと組み合わせた注意深い特徴工学が特徴である。
10種類の異なる品種に施すと,9ヶ月の予測では5%~10%,3ヶ月の予測では7%~14%のRMSEが得られる。
論文 参考訳(メタデータ) (2021-06-16T11:44:37Z) - High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。
我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。
本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
論文 参考訳(メタデータ) (2020-12-09T17:26:43Z) - 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。
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。