論文の概要: Hybrid Phenology Modeling for Predicting Temperature Effects on Tree Dormancy
- arxiv url: http://arxiv.org/abs/2501.16848v1
- Date: Tue, 28 Jan 2025 10:41:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:40:59.853705
- Title: Hybrid Phenology Modeling for Predicting Temperature Effects on Tree Dormancy
- Title(参考訳): 樹木休眠の温度効果予測のためのハイブリッド現象モデリング
- Authors: Ron van Bree, Diego Marcos, Ioannis Athanasiadis,
- Abstract要約: 本稿では,果樹の休眠を表現した表現学モデルを提案する。
われわれのアプローチは、長年にわたる開花予測において、従来の生物物理学モデルと機械学習モデルの両方を一貫して上回っている。
- 参考スコア(独自算出の注目度): 6.537907917185119
- License:
- Abstract: Biophysical models offer valuable insights into climate-phenology relationships in both natural and agricultural settings. However, there are substantial structural discrepancies across models which require site-specific recalibration, often yielding inconsistent predictions under similar climate scenarios. Machine learning methods offer data-driven solutions, but often lack interpretability and alignment with existing knowledge. We present a phenology model describing dormancy in fruit trees, integrating conventional biophysical models with a neural network to address their structural disparities. We evaluate our hybrid model in an extensive case study predicting cherry tree phenology in Japan, South Korea and Switzerland. Our approach consistently outperforms both traditional biophysical and machine learning models in predicting blooming dates across years. Additionally, the neural network's adaptability facilitates parameter learning for specific tree varieties, enabling robust generalization to new sites without site-specific recalibration. This hybrid model leverages both biophysical constraints and data-driven flexibility, offering a promising avenue for accurate and interpretable phenology modeling.
- Abstract(参考訳): 生物物理学モデルは、自然環境と農業環境の両方において、気候-現象学の関係についての貴重な洞察を提供する。
しかし、サイト固有の再校正を必要とするモデルにはかなり構造的な違いがあり、しばしば同様の気候シナリオ下では矛盾した予測をもたらす。
機械学習手法は、データ駆動型ソリューションを提供するが、解釈可能性や既存の知識との整合性が欠けていることが多い。
本稿では,果樹の休眠を表現した表現学モデルを提案し,その構造的差異に対処するために,従来の生物物理モデルとニューラルネットワークを統合した。
本研究は,日本,韓国,スイスの桜の表現学を予測する広範囲なケーススタディにおけるハイブリッドモデルの評価である。
われわれのアプローチは、長年にわたる開花予測において、従来の生物物理学モデルと機械学習モデルの両方を一貫して上回っている。
さらに、ニューラルネットワークの適応性は、特定の木の種類に対するパラメータ学習を容易にし、サイト固有の再校正なしに新しいサイトへの堅牢な一般化を可能にする。
このハイブリッドモデルは、生物物理学的制約とデータ駆動の柔軟性の両方を活用し、正確かつ解釈可能な表現学モデリングのための有望な道を提供する。
関連論文リスト
- PhyloVAE: Unsupervised Learning of Phylogenetic Trees via Variational Autoencoders [5.505257238864315]
PhyloVAEは、木トポロジーの表現学習と生成モデリングのために設計された教師なし学習フレームワークである。
我々は,高速で並列化されたトポロジ生成を容易にする潜伏変数生成モデルを開発した。
実験では、PhyloVAEの堅牢な表現学習能力と系統樹のトポロジーの高速生成が示されている。
論文 参考訳(メタデータ) (2025-02-07T07:58:47Z) - PhyloGen: Language Model-Enhanced Phylogenetic Inference via Graph Structure Generation [50.80441546742053]
系統樹は種間の進化的関係を解明する。
伝統的なマルコフ連鎖モンテカルロ法は、緩やかな収束と計算上の負担に直面している。
我々は、事前学習されたゲノム言語モデルを活用する新しい方法であるPhyloGenを提案する。
論文 参考訳(メタデータ) (2024-12-25T08:33:05Z) - Deep learning meets tree phenology modeling: PhenoFormer vs. process-based models [3.864610688022995]
PhenoFormerは、気候データ分布の変化の下で表現学を予測するのに、従来の統計手法よりも適したニューラルネットワークである。
スイスの9種の木質植物から得られた70年間の70万の現象学観測データから,PhenoFormerが従来の機械学習手法より優れていることを示す数値実験を行った。
論文 参考訳(メタデータ) (2024-10-30T15:40:55Z) - Forecasting with Hyper-Trees [50.72190208487953]
Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。
対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。
この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
論文 参考訳(メタデータ) (2024-05-13T15:22:15Z) - HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。
そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-15T02:30:00Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデル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) (2022-06-09T17:12:32Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - 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。