論文の概要: Corn Yield Prediction Model with Deep Neural Networks for Smallholder
Farmer Decision Support System
- arxiv url: http://arxiv.org/abs/2401.03768v1
- Date: Mon, 8 Jan 2024 09:47:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 17:13:56.975045
- Title: Corn Yield Prediction Model with Deep Neural Networks for Smallholder
Farmer Decision Support System
- Title（参考訳）: 農家意思決定支援システムのためのディープニューラルネットワークを用いたトウモロコシ収量予測モデル
- Authors: Chollette Olisah, Lyndon Smith, Melvyn Smith, Lawrence Morolake, Osi
Ojukwu
- Abstract要約: 新しいディープニューラルネットワーク回帰器(DNNR)は、奥行き、隠された層のニューロンの数、ハイパーパラメータを考慮して設計された。
根平均二乗誤差(RMSE)と平均絶対二乗誤差(MAE)の欠点に対処するために,新しい計量,絶対二乗誤差平均(ARSE)を提案した。
ARSE測定値を用いて,無作為森林回帰器 (RFR) と極勾配増進回帰器 (XGBR) をDNNRと比較した。
RFRとXGBRは0.0000294 t/haの収差を達成し、
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Given the nonlinearity of the interaction between weather and soil variables,
a novel deep neural network regressor (DNNR) was carefully designed with
considerations to the depth, number of neurons of the hidden layers, and the
hyperparameters with their optimizations. Additionally, a new metric, the
average of absolute root squared error (ARSE) was proposed to address the
shortcomings of root mean square error (RMSE) and mean absolute error (MAE)
while combining their strengths. Using the ARSE metric, the random forest
regressor (RFR) and the extreme gradient boosting regressor (XGBR), were
compared with DNNR. The RFR and XGBR achieved yield errors of 0.0000294 t/ha,
and 0.000792 t/ha, respectively, compared to the DNNR(s) which achieved 0.0146
t/ha and 0.0209 t/ha, respectively. All errors were impressively small.
However, with changes to the explanatory variables to ensure generalizability
to unforeseen data, DNNR(s) performed best. The unforeseen data, different from
unseen data, is coined to represent sudden and unexplainable change to weather
and soil variables due to climate change. Further analysis reveals that a
strong interaction does exist between weather and soil variables. Using
precipitation and silt, which are strong-negatively and strong-positively
correlated with yield, respectively, yield was observed to increase when
precipitation was reduced and silt increased, and vice-versa.
- Abstract（参考訳）: 気象と土壌変数の相互作用の非線形性を考えると、新しいディープニューラルネットワーク回帰器(DNNR)は、深さ、隠れた層のニューロン数、最適化されたハイパーパラメータを考慮して慎重に設計されている。
さらに, 根の平均二乗誤差 (RMSE) と平均絶対二乗誤差 (MAE) の欠点に対処し, その強度を組み合わせながら, 絶対二乗誤差 (ARSE) の平均値を提案した。
ARSE測定値を用いて,無作為森林回帰器 (RFR) と極勾配増進回帰器 (XGBR) をDNNRと比較した。
RFRとXGBRはそれぞれ0.0000294 t/ha、0.0000792 t/ha、DNNRは0.00146 t/ha、0.0209 t/haであった。
すべてのエラーは驚くほど小さい。
しかし、予期せぬデータに対する一般化性を確保するための説明変数の変更により、DNNR(s)が最善を尽くした。
予期せぬデータとは違って、気候変動による気象や土壌の変数に対する突然かつ説明不能な変化を表すために作られた。
さらなる分析により、天候と土壌変数の間に強い相互作用が存在することが明らかとなった。
降水が減少し, シルトが増加すると, 収量と強く負の相関関係にある沈殿とシルトを用いて, 収量の増加が観察された。
関連論文リスト
- Neural Network Prediction of Strong Lensing Systems with Domain Adaptation and Uncertainty Quantification [44.99833362998488]
MVE(Mean-variance Estimator)は、ニューラルネットワークの予測からアレタリック(データ)の不確実性を得るための一般的なアプローチである。
本研究では、強いレンズデータに対する非教師なし領域適応(UDA)と組み合わせて、MVEの有効性を初めて研究する。
MVE に UDA を追加すると,UDA なしで MVE モデルより約 2 倍精度が向上することがわかった。
論文 参考訳（メタデータ） (2024-10-23T19:56:57Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z) - Understanding Augmentation-based Self-Supervised Representation Learning
via RKHS Approximation and Regression [53.15502562048627]
最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。
この研究は、増強に基づく事前訓練の統計的分析に発展する。
論文 参考訳（メタデータ） (2023-06-01T15:18:55Z) - Neural Networks for Extreme Quantile Regression with an Application to Forecasting of Flood Risk [0.0]
本稿では,ニューラルネットワークと極値理論を組み合わせたEQRNモデルを提案する。
本研究では,スイス・アーレ流域の洪水リスク予測に本手法を適用した。
論文 参考訳（メタデータ） (2022-08-16T08:02:49Z) - Regression modelling of spatiotemporal extreme U.S. wildfires via
partially-interpretable neural networks [0.0]
人工ニュートラルネットワークを用いた極端量子レグレッションを実現するための新しい手法フレームワークを提案する。
我々は、線形で付加的な回帰手法をディープラーニングと統合し、部分的に解釈可能なニューラルネットワークを作成する。
論文 参考訳（メタデータ） (2022-08-16T07:42:53Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T10:11:45Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - CYPUR-NN: Crop Yield Prediction Using Regression and Neural Networks [0.0]
回帰とニューラルネットワークを用いた作物収量予測(CYPUR-NN)は、農業者や農家が画像からの利得を予測したり、ウェブインターフェースを介して値を入力することを容易にするシステムとして開発されている。
論文 参考訳（メタデータ） (2020-11-26T12:50:58Z) - Towards Understanding the Regularization of Adversarial Robustness on
Neural Networks [46.54437309608066]
正規化の観点から, 劣化について検討する。
私たちは、信頼性の低いソリューションに対してNNを正規化/バイアス化することで、ARが実現されていることに気付きました。
論文 参考訳（メタデータ） (2020-11-15T08:32:09Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z)
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。