論文の概要: A Knowledge Graph Informing Soil Carbon Modeling

• arxiv url: http://arxiv.org/abs/2508.10965v1
• Date: Thu, 14 Aug 2025 15:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.616786
• Title: A Knowledge Graph Informing Soil Carbon Modeling
• Title（参考訳）: 土壌炭素モデリングを行う知識グラフ
• Authors: Nasim Shirvani-Mahdavi, Devin Wingfield, Juan Guajardo Gutierrez, Mai Tran, Zhengyuan Zhu, Zeyu Zhang, Haiqi Zhang, Abhishek Divakar Goudar, Chengkai Li, Virginia Jin, Timothy Propst, Dan Roberts, Catherine Stewart, Jianzhong Su, Jennifer Woodward-Greene,
• Abstract要約: 土壌有機炭素は気候変動の緩和と農業の持続可能性に不可欠である。 本稿では,土壌有機炭素知識グラフ(SOCKG)を導入し,農業研究データをクエリ可能な知識表現に変換する。
• 参考スコア（独自算出の注目度）: 3.625589258088034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soil organic carbon is crucial for climate change mitigation and agricultural sustainability. However, understanding its dynamics requires integrating complex, heterogeneous data from multiple sources. This paper introduces the Soil Organic Carbon Knowledge Graph (SOCKG), a semantic infrastructure designed to transform agricultural research data into a queryable knowledge representation. SOCKG features a robust ontological model of agricultural experimental data, enabling precise mapping of datasets from the Agricultural Collaborative Research Outcomes System. It is semantically aligned with the National Agricultural Library Thesaurus for consistent terminology and improved interoperability. The knowledge graph, constructed in GraphDB and Neo4j, provides advanced querying capabilities and RDF access. A user-friendly dashboard allows easy exploration of the knowledge graph and ontology. SOCKG supports advanced analyses, such as comparing soil organic carbon changes across fields and treatments, advancing soil carbon research, and enabling more effective agricultural strategies to mitigate climate change.
• Abstract（参考訳）: 土壌有機炭素は気候変動の緩和と農業の持続可能性に不可欠である。 しかし、そのダイナミクスを理解するには、複数のソースから複雑で異質なデータを統合する必要がある。 本稿では,農業研究データを問合せ可能な知識表現に変換するためのセマンティックインフラストラクチャである土壌有機炭素知識グラフ(SOCKG)を紹介する。 SOCKGは、農業実験データの堅牢なオントロジモデルを備え、農業協同研究成果システムからのデータセットの正確なマッピングを可能にする。 これは、一貫した用語と相互運用性の改善のために、国立農業図書館 Thesaurus と意味的に一致している。 GraphDBとNeo4jで構築されたナレッジグラフは、高度なクエリ機能とRDFアクセスを提供する。 ユーザフレンドリなダッシュボードは、知識グラフとオントロジーを簡単に探索できる。 SOCKGは、土壌有機炭素の変化をフィールドや処理で比較したり、土壌炭素の研究を進めたり、より効果的な農業戦略で気候変動を緩和したりといった高度な分析を支援している。

関連論文リスト

• A Collaborative Platform for Soil Organic Carbon Inference Based on Spatiotemporal Remote Sensing Data [3.9589674165097897]
  WALGREENは、現在のアプリケーションの制限を克服することで、SOC推論を強化するプラットフォームである。 WALGREENは、過去の公開データとプライベートデータを使って予測モデルを生成する。 研究者、政策立案者、土地管理者が炭素データにアクセスし、トレンドを分析し、エビデンスベースの意思決定をサポートするために、ユーザーフレンドリーなインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-04-17T04:50:18Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• 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)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Soil Organic Carbon Estimation from Climate-related Features with Graph Neural Network [0.0]
  土壌有機炭素(SOC)は、地球規模の炭素循環において重要な役割を担い、気候動態に影響し、持続可能な土地と農業管理の正確な評価を必要とする。 最近の技術ソリューションは、リモートセンシング、機械学習、高解像度衛星マッピングを利用する。 本研究では, 土壌と気候の複雑な関係を捉えるために, 位置エンコーダの4つのGNN演算子を比較した。 その結果, PESAGEモデルとPETransformerモデルは, SOC推定において他のモデルよりも優れており, SOCと気候特性の複雑な関係を捉える可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-27T16:25:12Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland [0.0]
  ランドカーボンの検証は、長い間、カーボンクレジット市場の課題だった。 リモートセンシング技術により、土壌有機炭素(SOC)とAGB(Above Ground Biomass)の変化をモニタリングできる
  論文  参考訳（メタデータ） (2022-05-08T20:23:30Z)
• 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。