論文の概要: Multi-modal Data Fusion and Deep Ensemble Learning for Accurate Crop Yield Prediction

• arxiv url: http://arxiv.org/abs/2502.06062v1
• Date: Sun, 09 Feb 2025 22:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:30:10.783971
• Title: Multi-modal Data Fusion and Deep Ensemble Learning for Accurate Crop Yield Prediction
• Title（参考訳）: 正確な作物収量予測のためのマルチモーダルデータ融合と深層アンサンブル学習
• Authors: Akshay Dagadu Yewle, Laman Mirzayeva, Oktay Karakuş,
• Abstract要約: 本研究では、収穫量を予測するために設計された新しいDeep EnsembleモデルであるRicEns-Netを紹介する。 この研究は、合成開口レーダ(SAR)の使用、センチネル1, 2, 3衛星からの光リモートセンシングデータ、表面温度や降雨などの気象測定に焦点を当てている。 主な目的は、複雑な環境データを扱うことができる機械学習フレームワークを開発することにより、収量予測の精度を高めることである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study introduces RicEns-Net, a novel Deep Ensemble model designed to predict crop yields by integrating diverse data sources through multimodal data fusion techniques. The research focuses specifically on the use of synthetic aperture radar (SAR), optical remote sensing data from Sentinel 1, 2, and 3 satellites, and meteorological measurements such as surface temperature and rainfall. The initial field data for the study were acquired through Ernst & Young's (EY) Open Science Challenge 2023. The primary objective is to enhance the precision of crop yield prediction by developing a machine-learning framework capable of handling complex environmental data. A comprehensive data engineering process was employed to select the most informative features from over 100 potential predictors, reducing the set to 15 features from 5 distinct modalities. This step mitigates the ``curse of dimensionality" and enhances model performance. The RicEns-Net architecture combines multiple machine learning algorithms in a deep ensemble framework, integrating the strengths of each technique to improve predictive accuracy. Experimental results demonstrate that RicEns-Net achieves a mean absolute error (MAE) of 341 kg/Ha (roughly corresponds to 5-6\% of the lowest average yield in the region), significantly exceeding the performance of previous state-of-the-art models, including those developed during the EY challenge.
• Abstract（参考訳）: 本研究では,マルチモーダルデータ融合技術を用いて多種多様なデータソースを統合することにより,収穫量を予測するために設計された新しいDeep EnsembleモデルであるRicEns-Netを紹介する。 この研究は、合成開口レーダ(SAR)の使用、センチネル1, 2, 3衛星からの光リモートセンシングデータ、表面温度や降雨などの気象測定に重点を置いている。 この研究の最初のフィールドデータは、Ernst & Young (EY) Open Science Challenge 2023を通じて取得された。 主な目的は、複雑な環境データを扱うことができる機械学習フレームワークを開発することにより、収量予測の精度を高めることである。 包括的なデータエンジニアリングプロセスを使用して、100以上の潜在的な予測器から最も有益な特徴を選択し、セットを5つの異なるモードから15に減らした。 このステップは‘次元の帰結’を緩和し、モデルのパフォーマンスを高める。 RicEns-Netアーキテクチャは、複数の機械学習アルゴリズムをディープアンサンブルフレームワークに統合し、各テクニックの長所を統合して予測精度を向上させる。 実験の結果, RicEns-Netは平均絶対誤差(MAE)を341kg/Ha(大まかに言って, 平均収率の5～66%に相当する)で達成し, 従来の最先端モデルよりもはるかに高い性能を示した。

関連論文リスト

• Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach [1.6574413179773764]
  本研究では,ツール摩耗予測のためのデータ駆動手法,特にディープラーニングについて検討する。 この研究は、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)、サポートベクターマシン(SVM)、決定木など、いくつかの機械学習モデルを評価する。 ConvNeXtモデルには例外的な性能があり、装着するまで操作された4つのミリングツールのデータを用いてツール摩耗を特定する精度は99.1%である。
  論文  参考訳（メタデータ） (2024-12-27T23:10:32Z)
• HyperspectralViTs: General Hyperspectral Models for On-board Remote Sensing [21.192836739734435]
  機械学習モデルによるハイパースペクトルデータのオンボード処理は、幅広いタスクに対して前例のない量の自律性を可能にする。 これにより早期警戒システムが可能となり、衛星の星座にまたがる自動スケジューリングなどの新機能が実現される可能性がある。 本研究では,高スペクトル次元のデータを用いたエンドツーエンドの学習を支援する,高速かつ正確な機械学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-22T17:59:55Z)
• A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
  マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。 我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。 このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
  論文  参考訳（メタデータ） (2024-09-20T09:19:46Z)
• Sense Less, Generate More: Pre-training LiDAR Perception with Masked Autoencoders for Ultra-Efficient 3D Sensing [0.6340101348986665]
  本稿では,環境の広範囲なトレーニングに基づいて予測可能か,あるいは全体的な予測精度に限界がある環境の一部ではなく,環境の一部を生成する,破壊的かつフラグアルなLiDAR知覚データフローを提案する。 この目的のために提案した生成前訓練戦略であるR-MAE(Radially masked autoencoding)は、オンフィールド操作中にランダムに生成された角状領域のレーザパワーを選択的に活性化制御することにより、典型的なLiDARシステムでも容易に実装できる。
  論文  参考訳（メタデータ） (2024-06-12T03:02:54Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Fractal interpolation in the context of prediction accuracy optimization [44.99833362998488]
  本稿ではフラクタル手法を用いて時系列予測を最適化する仮説に焦点をあてる。 LSTMモデルにより得られた予測結果は,生のデータセットと比較して有意に精度が向上した。
  論文  参考訳（メタデータ） (2024-03-01T09:49:53Z)
• Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
  本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。 我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
  論文  参考訳（メタデータ） (2023-10-28T10:19:55Z)
• Deep-Learning Framework for Optimal Selection of Soil Sampling Sites [0.0]
  この研究は、画像処理におけるディープラーニングの最近の進歩を活用して、フィールドの重要な特性を示す最適な位置を見つける。 本フレームワークは,自己保持機構をバックボーンとするエンコーダデコーダアーキテクチャで構築されている。 このモデルはテストデータセットにおいて、平均精度99.52%、IoU平均インターセクション57.35%、Dice Coefficient平均71.47%という驚くべき結果を得た。
  論文  参考訳（メタデータ） (2023-09-02T16:19:21Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)

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。