論文の概要: Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data

• arxiv url: http://arxiv.org/abs/2403.07967v1
• Date: Tue, 12 Mar 2024 13:31:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 16:55:04.716935
• Title: Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data
• Title（参考訳）: インドにおける機械学習による水稲収量予測の可能性 気候分析データを用いた地域レベル
• Authors: Djavan De Clercq, Adam Mahdi
• Abstract要約: 本研究の目的は,インドにおいて,機械学習による収穫予測モデルがハリフの季節米収量の予測に有効であるかどうかを検討することである。 この手法は、20年間の気候、衛星、米の収量に関する19の機械学習モデルを、インドの米生産地区247地域にわたって訓練することを含む。 その結果, 収量予測の精度は, サンプル外R2, MAE, MAPEそれぞれ0.82, 0.29, 0.16であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Yield forecasting, the science of predicting agricultural productivity before the crop harvest occurs, helps a wide range of stakeholders make better decisions around agricultural planning. This study aims to investigate whether machine learning-based yield prediction models can capably predict Kharif season rice yields at the district level in India several months before the rice harvest takes place. The methodology involved training 19 machine learning models such as CatBoost, LightGBM, Orthogonal Matching Pursuit, and Extremely Randomized Trees on 20 years of climate, satellite, and rice yield data across 247 of Indian rice-producing districts. In addition to model-building, a dynamic dashboard was built understand how the reliability of rice yield predictions varies across districts. The results of the proof-of-concept machine learning pipeline demonstrated that rice yields can be predicted with a reasonable degree of accuracy, with out-of-sample R2, MAE, and MAPE performance of up to 0.82, 0.29, and 0.16 respectively. These results outperformed test set performance reported in related literature on rice yield modeling in other contexts and countries. In addition, SHAP value analysis was conducted to infer both the importance and directional impact of the climate and remote sensing variables included in the model. Important features driving rice yields included temperature, soil water volume, and leaf area index. In particular, higher temperatures in August correlate with increased rice yields, particularly when the leaf area index in August is also high. Building on the results, a proof-of-concept dashboard was developed to allow users to easily explore which districts may experience a rise or fall in yield relative to the previous year.
• Abstract（参考訳）: 収穫前に農業生産性を予測する科学である収量予測は、幅広い利害関係者が農業計画に関してより良い意思決定を行うのに役立つ。 本研究の目的は,インドにおける水稲収穫の数ヶ月前に,機械学習による収穫予測モデルがハリフの季節米収量を予測することができるかどうかを検討することである。 この手法は、20年間の気候、衛星、米の収量データに基づいて、CataBoost、LightGBM、Orthogonal Matching Pursuit、Extremely Randomized Treesなどの19の機械学習モデルをインド水稲生産地区247カ所で訓練することを含む。 モデル構築に加えて,水稲収量予測の信頼性が地域によってどのように異なるかを理解するための動的ダッシュボードが構築された。 概念実証機械学習パイプラインの結果,水稲収量は,それぞれ0.82,0.29,0.16のサンプル外R2,MAE,MAPEの精度で予測できることが確認された。 これらの結果は、他の状況や国における米の収量モデリングに関する関連文献で報告されたテストセットのパフォーマンスに優れていた。 さらに、SHAP値解析を行い、モデルに含まれる気候とリモートセンシング変数の重要性と方向性の両方を推定した。 米の収量に重要な特徴は、温度、土壌水量、葉面積指数である。 特に8月の高温は、特に8月の葉面積指数が高い場合には、米の収量の増加と相関する。 結果に基づいて、概念実証ダッシュボードが開発され、ユーザーは前年と比較して、どの地域が収量の増加または減少を経験するかを簡単に探ることができる。

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)
• Sparsity, Regularization and Causality in Agricultural Yield: The Case of Paddy Rice in Peru [0.0]
  本研究は,ペルー各地の水田収量の正確な予測モデルを構築するために,農業国勢調査データとリモートセンシング時系列を統合した。 スパースレグレッションとElastic-Net正規化技術を利用して、重要リモートセンシング変数間の因果関係を同定する。
  論文  参考訳（メタデータ） (2024-09-25T19:16:54Z)
• 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-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• 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)
• Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches [0.0]
  本稿では,XGBoost(Extreme Gradient Boosting, エクストリームグラディエントブースティング)を利得予測に利用するための,リモートセンシング画像を特徴ベース表現に処理するためのパイプラインを提案する。 米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。
  論文  参考訳（メタデータ） (2022-08-26T12:48:18Z)
• Comparison of Machine Learning Methods for Predicting Winter Wheat Yield in Germany [0.0]
  本研究は冬季小麦収量予測のための異なる機械学習手法の性能を分析した。 季節性に対処するため、土壌の湿潤条件や気象現象を考慮に入れた週ごとの特徴が用いられた。
  論文  参考訳（メタデータ） (2021-05-04T04:40:53Z)
• 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。