論文の概要: Knowledge-guided machine learning for county-level corn yield prediction under drought

• arxiv url: http://arxiv.org/abs/2503.16328v2
• Date: Mon, 05 May 2025 21:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 14:45:09.285523
• Title: Knowledge-guided machine learning for county-level corn yield prediction under drought
• Title（参考訳）: 干ばつ時における郡レベルのトウモロコシ収量予測のための知識誘導型機械学習
• 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、広範囲の地上観測を非接触で取得することを可能にし、収穫量の予測に有用なツールである。 従来のプロセスベースのモデルは、大量のRSデータを組み込むのに苦労している。 機械学習(ML)モデルは、その限定的な解釈可能性のため、しばしば「ブラックボックス」として批判される。
• 参考スコア（独自算出の注目度）: 7.75600387348283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing (RS) technique, enabling the non-contact acquisition of extensive ground observations, is a valuable tool for crop yield predictions. Traditional process-based models struggle to incorporate large volumes of RS data, and most users lack understanding of crop growth mechanisms. In contrast, machine learning (ML) models are often criticized as "black boxes" due to their limited interpretability. To address these limitations, we utilized Knowledge-Guided Machine Learning (KGML), a framework that leverages the strengths of both process-based and ML models. Existing works have either overlooked the role of soil moisture in corn growth or did not embed this effect into their models. To bridge this gap, we developed the Knowledge-Guided Machine Learning with Soil Moisture (KGML-SM) framework, treating soil moisture as an intermediate variable in corn growth 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 penalized predicted yield in drought-affected areas. Our experiments showed that the KGML-SM model outperformed other traditional ML models. We explored the relationships between drought, soil moisture, and corn yield prediction by assessing the importance of different features within the model, and analyzing how soil moisture impacts predictions across different regions and time periods. Finally we provided interpretability for prediction errors to guide future model optimization.
• 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を可能にし、収穫量の予測に有用なツールである。 従来のプロセスベースのモデルは大量のRSデータを組み込むのに苦労しており、ほとんどのユーザーは作物の成長メカニズムを理解していない。 対照的に、機械学習(ML)モデルは、その限定的な解釈可能性のため、しばしば「ブラックボックス」として批判される。 これらの制限に対処するために、プロセスベースとMLモデルの長所を活用するフレームワークであるKGML(Knowledge-Guided Machine Learning)を利用した。 既存の研究は、トウモロコシの成長における土壌水分の役割を見落としているか、モデルにこの効果を埋め込んでいないかのどちらかである。 このギャップを埋めるため,土壌水分をトウモロコシ栽培の中間変数として扱うKGML-SM(KGML-SM)フレームワークを開発した。 さらに、干ばつ条件下でモデルが過大評価されるという事前の知識に基づいて、干ばつの影響のある地域での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モデルは従来のMLモデルよりも優れていた。 本研究では, 干ばつ, 土壌水分, トウモロコシ収量予測の関係について, モデル内の異なる特徴の重要性を評価し, 土壌水分が地域や期間にまたがる予測に与える影響について検討した。 最後に,予測誤差の解釈可能性を提供し,将来のモデル最適化を導出する。

関連論文リスト

• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• 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)
• 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)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。