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
- 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Development of Crop Yield Estimation Model using Soil and Environmental
Parameters [0.6980357450216633]
本研究はパキスタン国立茶研究所で実施されている茶形態について行ったものである。
採取したパラメータは, 土壌の温度, 湿度, 降雨量, PHレベルである。
設計モデルはニューラルネットワークのアンサンブルに基づいており、R-squaredは0.9461、RMSEは0.1204である。
論文 参考訳(メタデータ) (2021-02-10T22:02:13Z) - 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) - Forecasting Corn Yield with Machine Learning Ensembles [2.9005223064604078]
本稿では,米コーンベルト州3州(イリノイ州,インディアナ州,アイオワ州)でトウモロコシの収量を予測するための機械学習ベースのフレームワークを提供する。
いくつかのアンサンブルモデルは、ブロックされたシーケンシャルプロシージャを使用して、バッグ外予測を生成する。
その結果,基本学習者の重み付き平均に基づくアンサンブルモデルは,個々のモデルよりも優れていた。
論文 参考訳(メタデータ) (2020-01-18T03:55:20Z)
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。