論文の概要: California Crop Yield Benchmark: Combining Satellite Image, Climate, Evapotranspiration, and Soil Data Layers for County-Level Yield Forecasting of Over 70 Crops

• arxiv url: http://arxiv.org/abs/2506.10228v1
• Date: Wed, 11 Jun 2025 23:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.485211
• Title: California Crop Yield Benchmark: Combining Satellite Image, Climate, Evapotranspiration, and Soil Data Layers for County-Level Yield Forecasting of Over 70 Crops
• Title（参考訳）: カリフォルニアの作物収量ベンチマーク:衛星画像、気候、エバポの蒸発、土壌データ層を組み合わせた70以上の作物の郡レベルの収量予測
• Authors: Hamid Kamangir, Mona Hajiesmaeeli, Mason Earles,
• Abstract要約: 2008年から2022年にかけて、カリフォルニア全郡で70以上の作物をカバーした収量ベンチマークデータセットを紹介した。 このベンチマークは、ランドサットの衛星画像、日々の気候記録、毎月の蒸発散、高解像度の土壌特性など、さまざまなデータソースを統合している。 郡レベルの収量予測に適したマルチモーダル深層学習モデルを構築した。 提案手法は, カリフォルニアの多様な農業地域において, 全作物の未確認試験データセットに対して0.76の総合的なR2スコアを達成し, 高い予測性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: California is a global leader in agricultural production, contributing 12.5% of the United States total output and ranking as the fifth-largest food and cotton supplier in the world. Despite the availability of extensive historical yield data from the USDA National Agricultural Statistics Service, accurate and timely crop yield forecasting remains a challenge due to the complex interplay of environmental, climatic, and soil-related factors. In this study, we introduce a comprehensive crop yield benchmark dataset covering over 70 crops across all California counties from 2008 to 2022. The benchmark integrates diverse data sources, including Landsat satellite imagery, daily climate records, monthly evapotranspiration, and high-resolution soil properties. To effectively learn from these heterogeneous inputs, we develop a multi-modal deep learning model tailored for county-level, crop-specific yield forecasting. The model employs stratified feature extraction and a timeseries encoder to capture spatial and temporal dynamics during the growing season. Static inputs such as soil characteristics and crop identity inform long-term variability. Our approach achieves an overall R2 score of 0.76 across all crops of unseen test dataset, highlighting strong predictive performance across California diverse agricultural regions. This benchmark and modeling framework offer a valuable foundation for advancing agricultural forecasting, climate adaptation, and precision farming. The full dataset and codebase are publicly available at our GitHub repository.
• Abstract（参考訳）: カリフォルニア州は農業生産の世界のリーダーであり、総生産量の12.5%を占め、世界第5位の食料・綿花供給国である。 アメリカ農務省農業統計局(USDA)の膨大な歴史的収量データが利用可能であるにもかかわらず、環境・気候・土壌関連要因の複雑な相互作用により、正確かつタイムリーな収量予測は依然として課題である。 本研究は,2008年から2022年までのカリフォルニア全郡で70種以上の作物を網羅した総合収量評価モデルを提案する。 このベンチマークは、ランドサットの衛星画像、日々の気候記録、毎月の蒸発散、高解像度の土壌特性など、さまざまなデータソースを統合している。 これらの不均一な入力から効果的に学習するために,郡レベルの収量予測に適したマルチモーダル深層学習モデルを開発した。 このモデルは、成層的特徴抽出と時間エンコーダを用いて、成長期における空間的および時間的ダイナミクスをキャプチャする。 土壌特性や作物の同一性などの静的な入力は、長期的変動を示唆する。 提案手法は, カリフォルニアの多様な農業地域において, 全作物の未確認試験データセットに対して0.76の総合的なR2スコアを達成し, 高い予測性能を示した。 このベンチマークとモデリングの枠組みは、農業予測、気候適応、精密農業を推進するための貴重な基盤を提供する。 完全なデータセットとコードベースは、GitHubリポジトリで公開されています。

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)
• Cotton Yield Prediction Using Random Forest [1.8887119618534647]
  温暖化による農業技術は、操業費を減らしながら収量を増やすために開発されている。 作物の収量予測は、作物、土壌タイプ、管理、害虫・病気、気候、気象パターンの複雑で非線形な影響により困難である。 我々は、気候変動、土壌の多様性、品種、無機窒素レベルを考慮して、生産予測に機械学習(ML)を採用している。
  論文  参考訳（メタデータ） (2023-12-04T19:33:29Z)
• HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing [50.4506590177605]
  HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。 本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。 本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
  論文  参考訳（メタデータ） (2023-08-23T11:03:28Z)
• The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture [0.8602553195689513]
  カナディアン・クロップ・インベントリー (Canadian Annual Crop Inventory) から回収されたラベルで濃縮されたカナダの作物の時間的パッチベースのデータセット。 このデータセットは、4年間にわたって収集された10種類の作物から,78,536個の高解像度空間像を手作業で検証した。 ベンチマークとして,単一画像(ResNet,DenseNet,EfficientNet)や画像列(LRCN,3D-CNN)を同一位置から予測可能なモデルとソースコードを提供する。
  論文  参考訳（メタデータ） (2023-05-31T18:40:15Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
  地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。 我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。 本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
  論文  参考訳（メタデータ） (2020-12-09T17:26:43Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。