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/2401.03768v3
• Date: Wed, 20 Nov 2024 03:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:21.053560
• 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: 作物の収量予測は、気象変数と土壌変数の相互作用がないという仮定に基づいてモデル化されている。 本稿では、相互作用の存在を論じ、Kendall相関係数を用いて微細にモデル化することができる。 提案したトウモロコシ収量モデルの目的は、小作農が賢く知的に養殖できるようにすることである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Crop yield prediction has been modeled on the assumption that there is no interaction between weather and soil variables. However, this paper argues that an interaction exists, and it can be finely modelled using the Kendall Correlation coefficient. Given the nonlinearity of the interaction between weather and soil variables, a deep neural network regressor (DNNR) is carefully designed with consideration 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) is proposed to combine the strengths of root mean square error (RMSE) and mean absolute error (MAE). With the ARSE metric, the proposed DNNR(s), optimised random forest regressor (RFR) and the extreme gradient boosting regressor (XGBR) achieved impressively small yield errors, 0.0172 t/ha, and 0.0243 t/ha, 0.0001 t/ha, and 0.001 t/ha, respectively. However, the DNNR(s), with changes to the explanatory variables to ensure generalizability to unforeseen data, DNNR(s) performed best. Further analysis reveals that a strong interaction does exist between weather and soil variables. Precisely, yield is observed to increase when precipitation is reduced and silt increased, and vice-versa. However, the degree of decrease or increase is not quantified in this paper. Contrary to existing yield models targeted towards agricultural policies and global food security, the goal of the proposed corn yield model is to empower the smallholder farmer to farm smartly and intelligently, thus the prediction model is integrated into a mobile application that includes education, and a farmer-to-market access module.
• Abstract（参考訳）: 作物の収量予測は、気象変数と土壌変数の相互作用がないという仮定に基づいてモデル化されている。 しかし,本論文では相互作用の存在を論じ,Kendall相関係数を用いて微細にモデル化することができる。 気象と土壌変数の相互作用の非線形性を考慮すると、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る。 さらに、根平均二乗誤差(RMSE)と平均絶対二乗誤差(MAE)の強さを組み合わせるために、絶対二乗誤差(ARSE)の平均が提案される。 ARSE測定では, 提案したDNNR, 最適化ランダム森林回帰器 (RFR) および極勾配増進回帰器 (XGBR) は, それぞれ, 0.0172 t/ha, 0.0243 t/ha, 0.0001 t/ha, 0.001 t/haの極めて小さな収率誤差を達成した。 しかし、DNNR(s)は、予期せぬデータに対する一般化性を確保するために説明変数を変更し、DNNR(s)が最善を尽くした。 さらなる分析により、気象と土壌の変数の間に強い相互作用が存在することが明らかになった。 正確には、降水量が減少し、シルトが増加すると収量が増加し、逆転する。 しかし、この論文では減少または増大の程度は定量化されていない。 農業政策やグローバルな食料安全保障を目標とする既存の収量モデルとは対照的に、提案したトウモロコシ収量モデルの目的は、小規模農家が賢く知的に養殖できるようにすることであり、この予測モデルは教育を含むモバイルアプリケーションとファーマー・ツー・マーケット・アクセス・モジュールに統合される。

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。