論文の概要: The Effect of Different Optimization Strategies to Physics-Constrained Deep Learning for Soil Moisture Estimation

• arxiv url: http://arxiv.org/abs/2403.08154v1
• Date: Wed, 13 Mar 2024 00:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 16:22:50.997146
• Title: The Effect of Different Optimization Strategies to Physics-Constrained Deep Learning for Soil Moisture Estimation
• Title（参考訳）: 最適化戦略の違いが物理制約に及ぼす影響 土壌水分推定のための深層学習
• Authors: Jianxin Xie, Bing Yao, Zheyu Jiang
• Abstract要約: 水輸送と水感知信号に関する物理に基づく原理を統合するために,物理制約付き深層学習(P-DL)フレームワークを提案する。 実験的な収束関数Adamsは、ミニバッチとフルバッチのトレーニングの両方において、他の最適化手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.804881282638357
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Soil moisture is a key hydrological parameter that has significant importance to human society and the environment. Accurate modeling and monitoring of soil moisture in crop fields, especially in the root zone (top 100 cm of soil), is essential for improving agricultural production and crop yield with the help of precision irrigation and farming tools. Realizing the full sensor data potential depends greatly on advanced analytical and predictive domain-aware models. In this work, we propose a physics-constrained deep learning (P-DL) framework to integrate physics-based principles on water transport and water sensing signals for effective reconstruction of the soil moisture dynamics. We adopt three different optimizers, namely Adam, RMSprop, and GD, to minimize the loss function of P-DL during the training process. In the illustrative case study, we demonstrate the empirical convergence of Adam optimizers outperforms the other optimization methods in both mini-batch and full-batch training.
• Abstract（参考訳）: 土壌水分は人間の社会と環境にとって重要な重要な水文学パラメータである。 特に根圏(100cm以上の土壌)における土壌水分の正確なモデリングとモニタリングは、精密灌水と農業ツールの助けを借りて、農業生産と収量の改善に不可欠である。 完全なセンサデータポテンシャルを実現するには、高度な分析および予測ドメイン認識モデルに大きく依存する。 本研究では, 物理制約付き深層学習(P-DL)フレームワークを提案する。 我々は,トレーニング過程におけるP-DLの損失関数を最小限に抑えるために,Adam,RMSprop,GDの3つの最適化アルゴリズムを採用した。 実験ケーススタディでは,Adamオプティマイザの実証的な収束が,ミニバッチおよびフルバッチトレーニングの両方において,他の最適化手法よりも優れていることを示す。

関連論文リスト

• Precision Soil Quality Analysis Using Transformer-based Data Fusion Strategies: A Systematic Review [6.184871136700834]
  本稿では,農業リモートセンシング(RS)におけるトランスフォーマーを用いたデータ融合技術の最近の進歩を概観する。 2022年以降、トランスフォーマーは従来のディープラーニングと機械学習の手法を大きく上回っていることを実証した。 このレビューは、作物の生産性を最適化し、持続可能な農業慣行を確実にする上で、土壌条件の重要性から、特に土壌分析に焦点を当てている。
  論文  参考訳（メタデータ） (2024-10-24T01:26:21Z)
• AutoScale: Automatic Prediction of Compute-optimal Data Composition for Training LLMs [61.13296177652599]
  本稿では,異なる領域からのトレーニングデータの最適構成がスケール依存であることを示す。 我々は、潜在的に大規模なトレーニングデータスケールでデータ合成を最適化するための、新しい実用的なアプローチである*AutoScale*を紹介します。 GPT-2Large and BERT pre-training の評価は,トレーニング収束性および下流性能向上における *AutoScale* の有効性を示す。
  論文  参考訳（メタデータ） (2024-07-29T17:06:30Z)
• See Further for Parameter Efficient Fine-tuning by Standing on the Shoulders of Decomposition [56.87609859444084]
  パラメータ効率の細かいチューニング(PEFT)は、パラメータの選択したサブセットを最適化し、残りを固定し、計算とストレージのオーバーヘッドを大幅に削減することに焦点を当てている。 分解の観点からそれらを分離することで、すべてのアプローチを統一する第一歩を踏み出します。 本稿では,PEFT技術の性能向上を目的とした,単純かつ効果的なフレームワークとともに,新しい2つのPEFT手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:44:42Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• PLASTIC: Improving Input and Label Plasticity for Sample Efficient Reinforcement Learning [54.409634256153154]
  強化学習(RL)では, サンプル効率の向上が重要である。 原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。 本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
  論文  参考訳（メタデータ） (2023-06-19T06:14:51Z)
• Impact of sensor placement in soil water estimation: A real-case study [0.0]
  カナダ・アルバータ州レスブリッジの実際の農地における土壌水分推定におけるセンサ配置の影響について検討した。 本研究では, 不均質土壌パラメータを持つ3次元農業水理モデルを開発した。 最適センサ位置を決定するために3次元システムに観測可能性のモーダル度を適用した。
  論文  参考訳（メタデータ） (2022-03-13T02:46:27Z)
• 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)
• 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)
• Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks [0.0]
  害虫や病気による作物の失敗はインド農業に固有のものであり、毎年15から25%の生産性が失われている。 本研究はコンボリューショナル・ネットワークを用いて3つの作物の植物や植物の葉のサンプルを15クラスに分類する。
  論文  参考訳（メタデータ） (2020-11-08T19:03:02Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling [2.9897531698031403]
  本稿では,入力とパラメータのグローバルマッピングを効率的に学習する,微分可能なパラメータ学習フレームワークを提案する。 トレーニングデータが増加するにつれて、dPLはより良いパフォーマンス、より物理的コヒーレンス、より良い一般化性を達成する。 土壌の水分と流水から学んだ例を示し,dPLが既存の進化的・地域的手法を著しく上回った。
  論文  参考訳（メタデータ） (2020-07-30T21:38:56Z)

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。