論文の概要: Informed Learning for Estimating Drought Stress at Fine-Scale Resolution Enables Accurate Yield Prediction

• arxiv url: http://arxiv.org/abs/2510.18648v1
• Date: Tue, 21 Oct 2025 13:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.638206
• Title: Informed Learning for Estimating Drought Stress at Fine-Scale Resolution Enables Accurate Yield Prediction
• Title（参考訳）: 高精度な収量予測が可能な高精度解像度における干ばつ応力推定のためのインフォームドラーニング
• Authors: Miro Miranda, Marcela Charfuelan, Matias Valdenegro Toro, Andreas Dengel,
• Abstract要約: 水は農業の生産性に不可欠であり、水不足と収量ポテンシャルの低下は意思決定において重要な要素である。 物理過程と整合する作物シミュレーションモデルは本質的な説明性を提供するが、しばしば性能が良くない。 作物収量モデリングのための機械学習モデルは強力でスケーラブルであるが、一般的にブラックボックスとして機能し、作物の成長の物理的原理に固執しない。
• 参考スコア（独自算出の注目度）: 10.780371055923304
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Water is essential for agricultural productivity. Assessing water shortages and reduced yield potential is a critical factor in decision-making for ensuring agricultural productivity and food security. Crop simulation models, which align with physical processes, offer intrinsic explainability but often perform poorly. Conversely, machine learning models for crop yield modeling are powerful and scalable, yet they commonly operate as black boxes and lack adherence to the physical principles of crop growth. This study bridges this gap by coupling the advantages of both worlds. We postulate that the crop yield is inherently defined by the water availability. Therefore, we formulate crop yield as a function of temporal water scarcity and predict both the crop drought stress and the sensitivity to water scarcity at fine-scale resolution. Sequentially modeling the crop yield response to water enables accurate yield prediction. To enforce physical consistency, a novel physics-informed loss function is proposed. We leverage multispectral satellite imagery, meteorological data, and fine-scale yield data. Further, to account for the uncertainty within the model, we build upon a deep ensemble approach. Our method surpasses state-of-the-art models like LSTM and Transformers in crop yield prediction with a coefficient of determination ($R^2$-score) of up to 0.82 while offering high explainability. This method offers decision support for industry, policymakers, and farmers in building a more resilient agriculture in times of changing climate conditions.
• Abstract（参考訳）: 水は農業の生産性に欠かせない。 水不足と収量ポテンシャルの低下を評価することは、農業生産性と食料安全保障を確保するための意思決定において重要な要素である。 物理過程と整合する作物シミュレーションモデルは本質的な説明性を提供するが、しばしば性能が良くない。 逆に、作物収量モデリングのための機械学習モデルは強力でスケーラブルであるが、一般的にブラックボックスとして機能し、作物生育の物理的原理に従わない。 この研究は、両方の世界の利点を結合することで、このギャップを埋める。 農作物の収量は水利用量によって本質的に定義されると仮定する。 そこで, 農作物の収穫量を時間的水不足の関数として定式化し, 農作物の乾燥応力と水不足に対する感度の両方を微細な分解能で予測する。 水に対する収量応答を連続的にモデル化することで、正確な収量予測が可能になる。 物理整合性を実現するために,新しい物理インフォームド・ロス関数を提案する。 我々は、マルチスペクトル衛星画像、気象データ、および微細な収量データを活用する。 さらに、モデル内の不確実性を考慮するために、深いアンサンブルアプローチを構築します。 LSTM や Transformer のような最先端モデルより高い説明性を提供しつつ,最大 0.82 の判定係数 (R^2$-score) で収量予測を行う。 この方法は、気候条件の変化時により弾力性のある農業を構築する際に、産業、政策立案者、農家に意思決定支援を提供する。

関連論文リスト

• Crop Yield Time-Series Data Prediction Based on Multiple Hybrid Machine Learning Models [6.10631040784366]
  本研究では,収穫量の時系列データ予測に焦点を当てた。 世界経済における農業の重要性と社会安定を考えると、この研究は長年にわたって複数の作物、複数の地域、データを含むデータセットを用いている。 収率予測には、線形回帰、ランダムフォレスト、グラディエントブースト、XGBoost、KNN、決定木、バッグング回帰といった複数のハイブリッド機械学習モデルが採用されている。
  論文  参考訳（メタデータ） (2025-01-21T23:41:33Z)
• Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting [4.707950656037167]
  気候変動への対応として、極度の気候条件下での作物の生産性の評価は、食料の安全性を高めるために不可欠である。 本研究では,水利用量と水不足に対する農作物の感受性を画素レベルで推定することにより,両アプローチの強度を両立させる手法を提案する。 我々のモデルは高い精度を示し、RNNやTransformersのような最先端のモデルに適合または超える最大0.77のR2を達成する。
  論文  参考訳（メタデータ） (2024-12-31T15:21:50Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
  本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。 我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。 モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
  論文  参考訳（メタデータ） (2024-07-11T08:23:46Z)
• A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
  バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。 推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
  論文  参考訳（メタデータ） (2024-03-28T09:57:50Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Estimating Leaf Water Content using Remotely Sensed Hyperspectral Data [0.0]
  葉水含量(LWC)は、水分含量を推定し、ストレスのある植物を特定するために用いられる指標である。 本研究では,UAVを用いたハイパースペクトルデータからLWCを非破壊的に推定する方法を開発した。
  論文  参考訳（メタデータ） (2021-09-06T05:52:17Z)
• 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。