論文の概要: A multi-temporal multi-spectral attention-augmented deep convolution neural network with contrastive learning for crop yield prediction

• arxiv url: http://arxiv.org/abs/2509.15966v1
• Date: Fri, 19 Sep 2025 13:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.180063
• Title: A multi-temporal multi-spectral attention-augmented deep convolution neural network with contrastive learning for crop yield prediction
• Title（参考訳）: 作物収量予測のためのコントラスト学習を用いた多時間多スペクトル注目型深層畳み込みニューラルネットワーク
• Authors: Shalini Dangi, Surya Karthikeya Mullapudi, Chandravardhan Singh Raghaw, Shahid Shafi Dar, Mohammad Zia Ur Rehman, Nagendra Kumar,
• Abstract要約: MTMS-YieldNetというマルチテンポラル・マルチテンポラル・タイミング予測ネットワークを提案する。 スペクトルデータを多時間情報と統合し、それらの相関関係と依存関係をキャプチャする。 MTMS-YieldNetの卓越したパフォーマンスは、収量予測を改善し、より良い意思決定を支援するための貴重な洞察を提供する。
• 参考スコア（独自算出の注目度）: 4.880724009067774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise yield prediction is essential for agricultural sustainability and food security. However, climate change complicates accurate yield prediction by affecting major factors such as weather conditions, soil fertility, and farm management systems. Advances in technology have played an essential role in overcoming these challenges by leveraging satellite monitoring and data analysis for precise yield estimation. Current methods rely on spatio-temporal data for predicting crop yield, but they often struggle with multi-spectral data, which is crucial for evaluating crop health and growth patterns. To resolve this challenge, we propose a novel Multi-Temporal Multi-Spectral Yield Prediction Network, MTMS-YieldNet, that integrates spectral data with spatio-temporal information to effectively capture the correlations and dependencies between them. While existing methods that rely on pre-trained models trained on general visual data, MTMS-YieldNet utilizes contrastive learning for feature discrimination during pre-training, focusing on capturing spatial-spectral patterns and spatio-temporal dependencies from remote sensing data. Both quantitative and qualitative assessments highlight the excellence of the proposed MTMS-YieldNet over seven existing state-of-the-art methods. MTMS-YieldNet achieves MAPE scores of 0.336 on Sentinel-1, 0.353 on Landsat-8, and an outstanding 0.331 on Sentinel-2, demonstrating effective yield prediction performance across diverse climatic and seasonal conditions. The outstanding performance of MTMS-YieldNet improves yield predictions and provides valuable insights that can assist farmers in making better decisions, potentially improving crop yields.
• Abstract（参考訳）: 正確な収量予測は農業の持続可能性と食料安全保障に不可欠である。 しかし、気候変動は、気象条件、土壌の肥育、農業管理システムといった主要な要因に影響を与えることで、正確な収量予測を複雑にしている。 技術の進歩は、衛星モニタリングとデータ分析を正確な収量推定に活用することで、これらの課題を克服する上で重要な役割を担っている。 現在の方法では、収穫量の予測には時空間データを用いるが、作物の健康や成長パターンを評価する上で重要なマルチスペクトルデータに苦しむことが多い。 この課題を解決するために、スペクトルデータを時空間情報と統合し、それらの相関関係と依存関係を効果的に把握する、新しいマルチテンポラルマルチスペクトル収量予測ネットワークMTMS-YieldNetを提案する。 MTMS-YieldNetは、一般的な視覚データに基づいてトレーニングされた事前学習モデルに依存する既存の手法に対して、事前学習中の特徴識別にコントラスト学習を活用し、リモートセンシングデータから空間スペクトルパターンと時空間依存性をキャプチャすることに焦点を当てている。 定量的および質的な評価は、提案されているMTMS-YieldNetが既存の7つの最先端手法よりも優れていることを示している。 MTMS-YieldNetは、Sentinel-1 で0.336、Landsat-8 で0.353、Sentinel-2 で0.331のMAPEスコアを達成し、様々な気候および季節条件で効果的な収率予測性能を示す。 MTMS-YieldNetの卓越した性能は、収穫予測を改善し、農家がより良い決定を下し、収穫量を改善するのに役立つ貴重な洞察を提供する。

関連論文リスト

• P3Net: Progressive and Periodic Perturbation for Semi-Supervised Medical Image Segmentation [60.08541107831459]
  本研究では,非ラベルデータの学習を支援するために,進行的かつ周期的な摂動機構(P3M)と境界中心の損失を提案する。 提案手法は,2つの2次元および3次元データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-21T05:35:28Z)
• CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
  我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。 CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。 UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
  論文  参考訳（メタデータ） (2024-11-25T23:34:53Z)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• A novel fusion of Sentinel-1 and Sentinel-2 with climate data for crop phenology estimation using Machine Learning [0.0]
  機械学習(ML) LightGBMモデルをトレーニングし、ドイツ全土の8大作物について、20mスケールで13の表現学的段階を予測する。 全国規模では、予測表現学はR2 > 0.43の妥当な精度と平均絶対誤差を6日間に抑えた。
  論文  参考訳（メタデータ） (2024-08-16T13:44:35Z)
• 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)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• An autoencoder wavelet based deep neural network with attention mechanism for multistep prediction of plant growth [4.077787659104315]
  本稿では,植物茎径変動予測(sdv)に着目した農業における植物成長予測手法を提案する。 ウェーブレット分解を元のデータに適用し、モデルフィッティングを容易にし、ノイズを低減する。 エンコーダ・デコーダフレームワークはLong Short Term Memory (LSTM)を用いて開発され、データから適切な特徴抽出に使用される。 時系列データの長期依存性をモデル化するために,LSTMと注意メカニズムを含む繰り返しニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-07T20:30:39Z)

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。