論文の概要: Applying Time Series Deep Learning Models to Forecast the Growth of Perennial Ryegrass in Ireland

• arxiv url: http://arxiv.org/abs/2511.03749v1
• Date: Tue, 04 Nov 2025 11:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.165573
• Title: Applying Time Series Deep Learning Models to Forecast the Growth of Perennial Ryegrass in Ireland
• Title（参考訳）: アイルランドにおける多年生ライグラスの成長予測のための時系列深層学習モデルの適用
• Authors: Oluwadurotimi Onibonoje, Vuong M. Ngo, Andrew McCarre, Elodie Ruelle, Bernadette O-Briend, Mark Roantree,
• Abstract要約: 草原は生物多様性と炭素循環の調節において重要な役割を果たしている。 重要な経済貢献者であるアイルランドの乳製品部門は、収益性や持続可能性に関する課題に悩まされている。 本研究は、モデル行動の理解を深め、草の生長予測における信頼性を向上させる。
• 参考スコア（独自算出の注目度）: 0.906674620324179
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Grasslands, constituting the world's second-largest terrestrial carbon sink, play a crucial role in biodiversity and the regulation of the carbon cycle. Currently, the Irish dairy sector, a significant economic contributor, grapples with challenges related to profitability and sustainability. Presently, grass growth forecasting relies on impractical mechanistic models. In response, we propose deep learning models tailored for univariate datasets, presenting cost-effective alternatives. Notably, a temporal convolutional network designed for forecasting Perennial Ryegrass growth in Cork exhibits high performance, leveraging historical grass height data with RMSE of 2.74 and MAE of 3.46. Validation across a comprehensive dataset spanning 1,757 weeks over 34 years provides insights into optimal model configurations. This study enhances our understanding of model behavior, thereby improving reliability in grass growth forecasting and contributing to the advancement of sustainable dairy farming practices.
• Abstract（参考訳）: 世界第2位の地球規模の炭素シンクを構成する草原は、生物多様性と炭素循環の調節において重要な役割を果たしている。 現在、重要な経済貢献者であるアイルランドの乳製品部門は、収益性や持続可能性に関する課題に悩まされている。 現在、草の生長予測は非現実的な力学モデルに依存している。 そこで本研究では,単変量データセットに適したディープラーニングモデルを提案する。 特にコークにおける多年生ライグラスの成長を予測するために設計された時間的畳み込みネットワークは,2.74と3.46のRMSEと3.46のMAEを用いた歴史的草高データを活用することで,高い性能を示す。 34年間に1,757週間にわたる包括的なデータセットの検証は、最適なモデル構成に関する洞察を提供する。 本研究は, モデル行動の理解を深め, 草の生育予測の信頼性を向上し, 持続可能な乳園農業の実践の発展に寄与する。

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)
• Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
  地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。 GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2024-08-20T23:15:41Z)
• An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions [20.44172558372343]
  CropNetデータセットは、気候変動を意識した収穫予測を対象とする、最初のテラバイトサイズの、公開可能な、マルチモーダルデータセットである。 CropNetデータセットは、Sentinel-2 Imagery(英語版)、WRF-HRRR(英語版)、USDA Cropd(英語版)の3つのデータからなる。
  論文  参考訳（メタデータ） (2024-06-10T07:54:56Z)
• 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)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。