論文の概要: Deep Learning Meets Process-Based Models: A Hybrid Approach to Agricultural Challenges

• arxiv url: http://arxiv.org/abs/2504.16141v1
• Date: Tue, 22 Apr 2025 06:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.869247
• Title: Deep Learning Meets Process-Based Models: A Hybrid Approach to Agricultural Challenges
• Title（参考訳）: ディープラーニングとプロセスベースモデル: 農業の課題に対するハイブリッドアプローチ
• Authors: Yue Shi, Liangxiu Han, Xin Zhang, Tam Sobeih, Thomas Gaiser, Nguyen Huu Thuy, Dominik Behrend, Amit Kumar Srivastava, Krishnagopal Halder, Frank Ewert,
• Abstract要約: プロセスベースモデル(PBM)とディープラーニング(DL)は農業モデルにおける2つの重要なアプローチであり、それぞれに明確な利点と限界がある。 対照的に、DLモデルは大規模なデータセットから複雑で非線形なパターンを捉えるのに優れているが、限定的な解釈可能性、高い計算要求、データスカースシナリオの過度な適合に悩まされる可能性がある。 本研究は, PBM, DLモデル, ハイブリッドPBM-DLフレームワークの体系的レビューを行い, 農業・環境モデリングへの応用について紹介する。
• 参考スコア（独自算出の注目度）: 3.953669132390006
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Process-based models (PBMs) and deep learning (DL) are two key approaches in agricultural modelling, each offering distinct advantages and limitations. PBMs provide mechanistic insights based on physical and biological principles, ensuring interpretability and scientific rigour. However, they often struggle with scalability, parameterisation, and adaptation to heterogeneous environments. In contrast, DL models excel at capturing complex, nonlinear patterns from large datasets but may suffer from limited interpretability, high computational demands, and overfitting in data-scarce scenarios. This study presents a systematic review of PBMs, DL models, and hybrid PBM-DL frameworks, highlighting their applications in agricultural and environmental modelling. We classify hybrid PBM-DL approaches into DL-informed PBMs, where neural networks refine process-based models, and PBM-informed DL, where physical constraints guide deep learning predictions. Additionally, we conduct a case study on crop dry biomass prediction, comparing hybrid models against standalone PBMs and DL models under varying data quality, sample sizes, and spatial conditions. The results demonstrate that hybrid models consistently outperform traditional PBMs and DL models, offering greater robustness to noisy data and improved generalisation across unseen locations. Finally, we discuss key challenges, including model interpretability, scalability, and data requirements, alongside actionable recommendations for advancing hybrid modelling in agriculture. By integrating domain knowledge with AI-driven approaches, this study contributes to the development of scalable, interpretable, and reproducible agricultural models that support data-driven decision-making for sustainable agriculture.
• Abstract（参考訳）: プロセスベースモデル(PBM)とディープラーニング(DL)は農業モデルにおける2つの重要なアプローチであり、それぞれに明確な利点と限界がある。 PBMは、物理的および生物学的原理に基づく機械的洞察を提供し、解釈可能性と科学的厳密さを保証する。 しかし、スケーラビリティ、パラメータ化、異種環境への適応にしばしば苦労する。 対照的に、DLモデルは大規模なデータセットから複雑で非線形なパターンを捉えるのに優れているが、限定的な解釈可能性、高い計算要求、データスカースシナリオの過度な適合に悩まされる可能性がある。 本研究は, PBM, DLモデル, ハイブリッドPBM-DLフレームワークの体系的レビューを行い, 農業・環境モデリングへの応用について紹介する。 我々は、ハイブリッドPBM-DLアプローチを、プロセスベースモデルを洗練するDL-informed PBMと、物理制約がディープラーニング予測を導くPBM-informed DLに分類する。 さらに, 各種データ品質, サンプルサイズ, 空間条件の異なる独立系PBMモデルとDLモデルとのハイブリッドモデルを比較し, 乾式バイオマス予測のケーススタディを行った。 その結果、ハイブリッドモデルは従来のPBMやDLモデルより一貫して優れており、ノイズの多いデータに対する堅牢性が向上し、目に見えない場所にまたがる一般化が向上していることが示された。 最後に、モデル解釈可能性、スケーラビリティ、データ要求などの重要な課題と、農業におけるハイブリッドなモデリングを促進するための実用的な推奨事項について論じる。 ドメイン知識をAI駆動アプローチに統合することにより、持続可能な農業のためのデータ駆動意思決定を支援するスケーラブルで解釈可能、再現可能な農業モデルの開発に寄与する。

関連論文リスト

• Efficient or Powerful? Trade-offs Between Machine Learning and Deep Learning for Mental Illness Detection on Social Media [0.036136619420474754]
  ソーシャルメディアプラットフォームは、うつ病、不安、自殺などの状況に関するユーザー生成の議論を捉え、メンタルヘルスのトレンドに関する貴重な洞察を提供する。 機械学習(ML)とディープラーニング(DL)モデルは、テキストデータからメンタルヘルス状態を分類するためにますます応用されている。 本研究では、ALBERTやGated Recurrent Units(GRU)といったディープラーニングアーキテクチャとともに、ロジスティック回帰、ランダムフォレスト、LightGBMを含む複数のMLモデルを評価する。 その結果,MLモデルとDLモデルでは,中規模データセットの分類性能が同等であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-03T00:51:41Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• SynthTree: Co-supervised Local Model Synthesis for Explainable Prediction [15.832975722301011]
  本稿では,最小限の精度で説明可能性を向上させる手法を提案する。 我々は,AI技術を利用してノードを推定する新しい手法を開発した。 我々の研究は、統計的方法論が説明可能なAIを前進させる上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-06-16T14:43:01Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Causal hybrid modeling with double machine learning [4.190790144182304]
  ハイブリッドモデリングは、機械学習と科学的知識を統合し、解釈可能性、一般化、自然法則の遵守を強化する。 本稿では、因果関係を推定するためにDouble Machine Learning (DML) を用いる因果関係推論フレームワークを用いてハイブリッドモデルを推定する新しい手法を提案する。 我々は、DMLに基づくハイブリッドモデリングが、エンドツーエンドのディープニューラルネットワーク(DNN)アプローチよりも因果パラメータを推定し、効率性の証明、正規化手法からのバイアスに対する堅牢性、等性回避に優れていることを実証した。
  論文  参考訳（メタデータ） (2024-02-20T19:19:56Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling [17.074858228123706]
  基本的な理論、方法論、欠点、データセット、メトリクスに重点を置いています。 フェアネス、プライバシ、アウト・オブ・ディストリビューションの一般化、精密医療、生物科学における因果生成モデルの応用について述べる。
  論文  参考訳（メタデータ） (2023-10-17T05:45:32Z)
• Hybrid additive modeling with partial dependence for supervised regression and dynamical systems forecasting [5.611231523622238]
  部分依存に基づく新たなハイブリッドトレーニング手法を導入し,複雑な正規化の必要性を排除した。 合成問題と実回帰問題の両方において、そのようなハイブリッドモデルを訓練するためのいくつかのアプローチを比較する。 ツリーベースモデルや人工ニューラルネットワークなど、さまざまなタイプの機械学習モデルで実験が実施されている。
  論文  参考訳（メタデータ） (2023-07-05T12:13:56Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)

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。