論文の概要: Knowledge-guided machine learning model with soil moisture for corn yield prediction under drought conditions
- arxiv url: http://arxiv.org/abs/2503.16328v1
- Date: Thu, 20 Mar 2025 16:52:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 16:35:30.111516
- Title: Knowledge-guided machine learning model with soil moisture for corn yield prediction under drought conditions
- Title（参考訳）: 乾燥条件下におけるトウモロコシ収量予測のための土壌水分を用いた知識誘導機械学習モデル
- Authors: Xiaoyu Wang, Yijia Xu, Jingyi Huang, Zhengwei Yang, Zhou Zhang,
- Abstract要約: リモートセンシング(RS)技術はトウモロコシの収量予測に有用なツールとなっている。
従来のプロセスベース(PB)モデルは、固定された入力機能によって制限され、大量のRSデータを組み込むのに苦労する。
機械学習(ML)モデルは、限定的な解釈可能性を持つ「ブラックボックス」であるとしばしば批判される。
- 参考スコア（独自算出の注目度）: 7.75600387348283
- License:
- Abstract: Remote sensing (RS) techniques, by enabling non-contact acquisition of extensive ground observations, have become a valuable tool for corn yield prediction. Traditional process-based (PB) models are limited by fixed input features and struggle to incorporate large volumes of RS data. In contrast, machine learning (ML) models are often criticized for being ``black boxes'' with limited interpretability. To address these limitations, we used Knowledge-Guided Machine Learning (KGML), which combined the strengths of both approaches and fully used RS data. However, previous KGML methods overlooked the crucial role of soil moisture in plant growth. To bridge this gap, we proposed the Knowledge-Guided Machine Learning with Soil Moisture (KGML-SM) framework, using soil moisture as an intermediate variable to emphasize its key role in plant development. Additionally, based on the prior knowledge that the model may overestimate under drought conditions, we designed a drought-aware loss function that penalizes predicted yield in drought-affected areas. Our experiments showed that the KGML-SM model outperformed other ML models. Finally, we explored the relationships between drought, soil moisture, and corn yield prediction, assessing the importance of various features and analyzing how soil moisture impacts corn yield predictions across different regions and time periods.
- Abstract（参考訳）: リモートセンシング(RS)技術は、広範囲の地上観測を非接触で取得することで、トウモロコシの収量予測に有用なツールとなっている。
従来のプロセスベース(PB)モデルは、固定された入力機能によって制限され、大量のRSデータを組み込むのに苦労する。
対照的に、機械学習(ML)モデルは、限定的な解釈可能性を持つ 'black box'' であるとしばしば批判される。
これらの制限に対処するために、私たちはKGML(Knowledge-Guided Machine Learning)を使用しました。
しかし, これまでのKGML法では, 土壌水分が植物生育において重要な役割を担っていることが見過ごされた。
このギャップを埋めるために,土壌水分を中間変数として利用し,植物開発において重要な役割を担っている知識誘導機械学習(KGML-SM)フレームワークを提案した。
さらに,干ばつ条件下ではモデルが過大評価される可能性があるという事前の知識に基づいて,干ばつの影響を受けやすい地域において,予測収率をペナルティ化する干ばつ対応損失関数を設計した。
実験の結果,KGML-SMモデルは他のMLモデルよりも優れていた。
最後に,干ばつ,土壌水分,トウモロコシ収量予測の関係について検討し,様々な特徴の重要性を評価し,土壌水分がトウモロコシ収量予測にどのような影響を及ぼすか分析した。
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) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - MIS-ME: A Multi-modal Framework for Soil Moisture Estimation [0.5235143203977018]
地上局から撮影した実世界の画像とそれに対応する気象データからなるデータセットを開発した。
また,MIS-ME-Meteorological & Imageベースの土壌水分計を提案する。
分析の結果,MIS-MEのMAPEは10.14%であり,従来の単潮流法よりも優れていた。
論文 参考訳（メタデータ） (2024-08-02T00:35:18Z) - Toward Adaptive Large Language Models Structured Pruning via Hybrid-grained Weight Importance Assessment [58.030196381554745]
大規模言語モデル (LLM) の刈り取りにおける重み付け重要度の評価を, 微粒化と粗粒化にマージする手法であるHybrid-fine Weight Importance Assessment (HyWIA) を導入する。
LLaMA-V1/V2, Vicuna, Baichuan, Bloomの様々なベンチマークによる大規模な実験により, 刈り込みLDMにおけるHyWIAの有効性が示された。
論文 参考訳（メタデータ） (2024-03-16T04:12:50Z) - 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) - Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets
using Machine Learning [0.2580765958706853]
冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。
いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。
本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
論文 参考訳（メタデータ） (2023-06-20T23:52:39Z) - Online Non-Destructive Moisture Content Estimation of Filter Media
During Drying Using Artificial Neural Networks [95.42181254494287]
粗いろ過媒体製品の乾燥工程において, 水分量 (MC) の推定が重要である。
人工ニューラルネットワーク(ANN)に基づく手法は、文献で報告されている最先端のMC推定手法と比較する。
実験結果から, ANNとオーブン設定データ, 乾燥時間, 製品温度を組み合わせることで, バルクフィルターメディア製品のMCを確実に推定できることがわかった。
論文 参考訳（メタデータ） (2023-03-27T19:37:53Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - 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) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳（メタデータ） (2020-12-07T07:56:11Z) - SMArtCast: Predicting soil moisture interpolations into the future using
Earth observation data in a deep learning framework [0.8399688944263843]
本研究では,衛星画像から土壌水分と植生の計測を行った。
システムは、これらの測定の将来の値を予測することを学習する。
これは、モニタリング能力に制限のある地域で作物に好ましくない土壌水分を警告する可能性がある。
論文 参考訳（メタデータ） (2020-03-16T23:06:14Z)
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。