論文の概要: Kriging prior Regression: A Case for Kriging-Based Spatial Features with TabPFN in Soil Mapping

• arxiv url: http://arxiv.org/abs/2509.09408v1
• Date: Thu, 11 Sep 2025 12:43:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.382851
• Title: Kriging prior Regression: A Case for Kriging-Based Spatial Features with TabPFN in Soil Mapping
• Title（参考訳）: 土壌マッピングにおけるTabPFNを用いたKriging prior Regressionの事例
• Authors: Jonas Schmidinger, Viacheslav Barkov, Sebastian Vogel, Martin Atzmueller, Gerard B M Heuvelink,
• Abstract要約: 本研究では,機械学習を空間的コンテキストで強化するハイブリッドフレームワークを提案する。 我々は、この手法を「回帰リグレッションの逆論理に従うような事前回帰(KpR)」と呼ぶ。 TabPFNを用いたKpRは、他のいくつかの空間的手法と比較して、確実な不確実性推定とより正確な予測を示した。
• 参考スコア（独自算出の注目度）: 0.5944508231938734
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning and geostatistics are two fundamentally different frameworks for predicting and spatially mapping soil properties. Geostatistics leverages the spatial structure of soil properties, while machine learning captures the relationship between available environmental features and soil properties. We propose a hybrid framework that enriches ML with spatial context through engineering of 'spatial lag' features from ordinary kriging. We call this approach 'kriging prior regression' (KpR), as it follows the inverse logic of regression kriging. To evaluate this approach, we assessed both the point and probabilistic prediction performance of KpR, using the TabPFN model across six fieldscale datasets from LimeSoDa. These datasets included soil organic carbon, clay content, and pH, along with features derived from remote sensing and in-situ proximal soil sensing. KpR with TabPFN demonstrated reliable uncertainty estimates and more accurate predictions in comparison to several other spatial techniques (e.g., regression/residual kriging with TabPFN), as well as to established non-spatial machine learning algorithms (e.g., random forest). Most notably, it significantly improved the average R2 by around 30% compared to machine learning algorithms without spatial context. This improvement was due to the strong prediction performance of the TabPFN algorithm itself and the complementary spatial information provided by KpR features. TabPFN is particularly effective for prediction tasks with small sample sizes, common in precision agriculture, whereas KpR can compensate for weak relationships between sensing features and soil properties when proximal soil sensing data are limited. Hence, we conclude that KpR with TabPFN is a very robust and versatile modelling framework for digital soil mapping in precision agriculture.
• Abstract（参考訳）: 機械学習と地理統計学は、土壌特性を予測および空間的にマッピングする2つの基本的な異なるフレームワークである。 ジオ統計学は土壌特性の空間構造を利用しており、機械学習は利用可能な環境特性と土壌特性の関係を捉えている。 本稿では,通常のクリグから得られる「空間ラグ」特徴の工学的手法を用いて,MLを空間的コンテキストで強化するハイブリッドフレームワークを提案する。 我々は、この手法を「事前回帰(KpR)」と呼び、回帰クリグの逆論理に従う。 提案手法を評価するため,KpRの点と確率予測性能を,LimeSoDaの6つのフィールドスケールデータセットを対象としたTabPFNモデルを用いて評価した。 これらのデータセットには、土壌有機炭素、粘土含有量、pHが含まれ、リモートセンシングと地中近位土壌センシングが特徴である。 TabPFNを用いたKpRは、他の空間技術(TabPFNを用いた回帰/残留クリグなど)と比較して、確実な不確実性推定とより正確な予測を示し、非空間機械学習アルゴリズム(例えばランダムフォレスト)を確立した。 中でも注目すべきは、空間コンテキストを持たない機械学習アルゴリズムと比較して、平均R2を約30%改善したことだ。 この改善は、TabPFNアルゴリズム自体の強い予測性能と、KpR特徴によって提供される相補的な空間情報が原因である。 TabPFNは, 精密農業に共通する小サンプルサイズでの予測作業に特に有効であるが, KpRは, 近位土壌センシングデータに制限された場合に, センサ特性と土壌特性との弱い関係を補うことができる。 したがって,TabPFNを用いたKpRは,精密農業におけるデジタル土壌マッピングのための,非常に堅牢で汎用的なモデリングフレームワークである。

関連論文リスト

• Tabular foundation model for GEOAI benchmark problems BM/AirportSoilProperties/2/2025 [2.07098502859192]
  本稿では,GEOAIベンチマークBM/AirportSoilProperties/2/2025で定義されたサイト特性問題に対する Tabular Prior-Data Fitted Network (TabPFN) の新たな応用について述べる。 我々は、TabPFNをゼロトレーニング、少数ショット、空間内学習設定に適用し、大きな間接データベース(BID)から追加のコンテキストを提供する。 この研究は、TabPFNが汎用基礎モデルとして優れた精度とよく校正された予測分布を達成したことを示す。
  論文  参考訳（メタデータ） (2025-09-03T10:21:18Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Feature-free regression kriging [4.270650728191168]
  本研究では,外部説明変数を必要とせずに回帰に基づくトレンドサーフェスを構築するためのFFRK(Feature-Free Regression Kriging)手法を提案する。 オーストラリアの鉱業地域における重金属3種の空間分布予測実験を行った。 提案手法は空間的非定常性に効果的に対処し,説明変数の取得コストを低減し,予測精度と能力の両方を改善した。
  論文  参考訳（メタデータ） (2025-07-10T02:34:07Z)
• Fractal interpolation in the context of prediction accuracy optimization [44.99833362998488]
  本稿ではフラクタル手法を用いて時系列予測を最適化する仮説に焦点をあてる。 LSTMモデルにより得られた予測結果は,生のデータセットと比較して有意に精度が向上した。
  論文  参考訳（メタデータ） (2024-03-01T09:49:53Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
  逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
  論文  参考訳（メタデータ） (2023-10-02T01:27:10Z)
• Distribution Regression with Sliced Wasserstein Kernels [45.916342378789174]
  分布回帰のための最初のOTに基づく推定器を提案する。 このような表現に基づくカーネルリッジ回帰推定器の理論的性質について検討する。
  論文  参考訳（メタデータ） (2022-02-08T15:21:56Z)
• Treeging [0.0]
  木組みは回帰木の柔軟な平均構造と、アンサンブル予測アルゴリズムのベース学習者へのクリグの共分散に基づく予測戦略を組み合わせる。 本研究では,空間及び時空シミュレーションシナリオの網羅的かつ広範囲な電池を横断するツリーングの予測精度について検討した。
  論文  参考訳（メタデータ） (2021-10-03T17:48:18Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties [0.0]
  化学土壌の特性を知ることは、作物管理と総収量生産において決定的である。 従来の資産推定手法は時間がかかり、複雑な実験室のセットアップを必要とする。 スペクトル信号(vis-NIRS)からの物性推定は、低コストで非侵襲的で非破壊的な代替手段として現れた。
  論文  参考訳（メタデータ） (2020-12-23T21:46:41Z)

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。