論文の概要: Sparsity, Regularization and Causality in Agricultural Yield: The Case of Paddy Rice in Peru

• arxiv url: http://arxiv.org/abs/2409.17298v1
• Date: Wed, 25 Sep 2024 19:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-30 12:41:44.047691
• Title: Sparsity, Regularization and Causality in Agricultural Yield: The Case of Paddy Rice in Peru
• Title（参考訳）: 農業収量における空間性, 正規化, 因果関係 ペルーの水田米の
• Authors: Rita Rocio Guzman-Lopez, Luis Huamanchumo, Kevin Fernandez, Oscar Cutipa-Luque, Yhon Tiahuallpa and Helder Rojas
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a novel approach that integrates agricultural census data with remotely sensed time series to develop precise predictive models for paddy rice yield across various regions of Peru. By utilizing sparse regression and Elastic-Net regularization techniques, the study identifies causal relationships between key remotely sensed variables-such as NDVI, precipitation, and temperature-and agricultural yield. To further enhance prediction accuracy, the first- and second-order dynamic transformations (velocity and acceleration) of these variables are applied, capturing non-linear patterns and delayed effects on yield. The findings highlight the improved predictive performance when combining regularization techniques with climatic and geospatial variables, enabling more precise forecasts of yield variability. The results confirm the existence of causal relationships in the Granger sense, emphasizing the value of this methodology for strategic agricultural management. This contributes to more efficient and sustainable production in paddy rice cultivation.
• Abstract（参考訳）: 本研究では、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、リモートセンシング時系列と農業国勢調査データを統合した新しいアプローチを提案する。 スパース回帰法と弾性ネット正規化法を用いて,NDVI,降水量,温度および農業収量などの重要なリモートセンシング変数間の因果関係を同定した。 予測精度をさらに高めるために、これらの変数の1階および2階の動的変換(速度と加速度)を適用し、非線形パターンと収率に対する遅延効果を捉える。 その結果, 正規化手法と気候変数と地理空間変数を組み合わせることにより, 収量変動のより正確な予測が可能となった。 その結果,グラガーの意味での因果関係の存在が確認され,戦略的農業経営におけるこの方法論の価値が強調された。 これは水稲栽培において、より効率的で持続可能な生産に寄与する。

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)
• Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
  本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。 我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。 モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
  論文  参考訳（メタデータ） (2024-07-11T08:23:46Z)
• 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)
• Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data [0.0]
  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。
  論文  参考訳（メタデータ） (2024-03-12T13:31:13Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• 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)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

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。