Fugu-MT 論文翻訳(概要): Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data

論文の概要: Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data

arxiv url: http://arxiv.org/abs/2510.07350v1
Date: Wed, 08 Oct 2025 03:27:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-10 17:54:14.631629
Title: Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data
Title（参考訳）: 気候を考慮した地球観測データによる収量予測におけるアウト・オブ・ディストリビューションの一般化
Authors: Aditya Chakravarty,
Abstract要約: GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Climate change is increasingly disrupting agricultural systems, making accurate crop yield forecasting essential for food security. While deep learning models have shown promise in yield prediction using satellite and weather data, their ability to generalize across geographic regions and years - critical for real-world deployment - remains largely untested. We benchmark two state-of-the-art models, GNN-RNN and MMST-ViT, under realistic out-of-distribution (OOD) conditions using the large-scale CropNet dataset spanning 1,200+ U.S. counties from 2017-2022. Through leave-one-cluster-out cross-validation across seven USDA Farm Resource Regions and year-ahead prediction scenarios, we identify substantial variability in cross-region transferability. GNN-RNN demonstrates superior generalization with positive correlations under geographic shifts, while MMST-ViT performs well in-domain but degrades sharply under OOD conditions. Regions like Heartland and Northern Great Plains show stable transfer dynamics (RMSE less than 10 bu/acre for soybean), whereas Prairie Gateway exhibits persistent underperformance (RMSE greater than 20 bu/acre) across both models and crops, revealing structural dissimilarities likely driven by semi-arid climate, irrigation patterns, and incomplete spectral coverage. Beyond accuracy differences, GNN-RNN achieves 135x faster training than MMST-ViT (14 minutes vs. 31.5 hours), making it more viable for sustainable deployment. Our findings underscore that spatial-temporal alignment - not merely model complexity or data scale - is key to robust generalization, and highlight the need for transparent OOD evaluation protocols to ensure equitable and reliable climate-aware agricultural forecasting.
Abstract（参考訳）: 気候変動は農業システムを混乱させ、食料の安全に不可欠な正確な収穫を予測している。深層学習モデルは、衛星データと気象データを用いた利回り予測の可能性を示してきたが、地理的な地域や年数にわたって一般化する能力は、現実世界の展開に欠かせないものであり、まだほとんどテストされていない。 GNN-RNNとMMST-ViTの2つの最先端モデルを、2017年から2022年までの1200以上の米国郡にまたがる大規模CropNetデータセットを用いて、リアルなアウト・オブ・ディストリビューション(OOD)条件下でベンチマークした。 7つのUSDAファームリソース領域にまたがる1つのクラスタアウトのクロスバリデーションと年頭予測シナリオを通じて、クロスリージョンの転送可能性のかなりのばらつきを識別する。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。ハートランドやノーザン・グレート・プレーンズのような地域は、安定した移動動態(大豆の10分以下)を示す一方、プレーリー・ゲートウェイは、モデルと作物の両方にわたって持続的な過性能(RMSEは20分以上)を示し、半乾燥気候、灌水パターン、不完全なスペクトルカバレッジによって引き起こされる構造的な相違が明らかである。精度の違い以外にも、GNN-RNNはMMST-ViT(14分対31.5時間)よりも135倍高速なトレーニングを実現している。以上の結果から, 空間的時間的アライメントは, 単にモデル複雑性やデータスケールではなく, 堅牢な一般化の鍵であり, 公平で信頼性の高い農業予測を実現するための透明なOOD評価プロトコルの必要性を強調した。

論文の概要: Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data

関連論文リスト