論文の概要: Augmenting The Weather: A Hybrid Counterfactual-SMOTE Algorithm for Improving Crop Growth Prediction When Climate Changes

• arxiv url: http://arxiv.org/abs/2511.11945v1
• Date: Fri, 14 Nov 2025 23:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.413637
• Title: Augmenting The Weather: A Hybrid Counterfactual-SMOTE Algorithm for Improving Crop Growth Prediction When Climate Changes
• Title（参考訳）: Augmenting the Weather: A Hybrid Counterfactual-SMOTE Algorithm for Improving Crop Growth Prediction when Climate Change
• Authors: Mohammed Temraz, Mark T Keane,
• Abstract要約: 本稿では,気候変動に関する予測的問題を,クラス不均衡の問題による一因として扱う新しいデータ拡張手法を提案する。 CFA-SMOTEは、予測性能を改善するためにデータセットを増強する、異常な気候事象を表す合成データポイントを生成する。
• 参考スコア（独自算出の注目度）: 5.672132510411465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, humanity has begun to experience the catastrophic effects of climate change as economic sectors (such as agriculture) struggle with unpredictable and extreme weather events. Artificial Intelligence (AI) should help us handle these climate challenges but its most promising solutions are not good at dealing with climate-disrupted data; specifically, machine learning methods that work from historical data-distributions, are not good at handling out-of-distribution, outlier events. In this paper, we propose a novel data augmentation method, that treats the predictive problems around climate change as being, in part, due to class-imbalance issues; that is, prediction from historical datasets is difficult because, by definition, they lack sufficient minority-class instances of "climate outlier events". This novel data augmentation method -- called Counterfactual-Based SMOTE (CFA-SMOTE) -- combines an instance-based counterfactual method from Explainable AI (XAI) with the well-known class-imbalance method, SMOTE. CFA-SMOTE creates synthetic data-points representing outlier, climate-events that augment the dataset to improve predictive performance. We report comparative experiments using this CFA-SMOTE method, comparing it to benchmark counterfactual and class-imbalance methods under different conditions (i.e., class-imbalance ratios). The focal climate-change domain used relies on predicting grass growth on Irish dairy farms, during Europe-wide drought and forage crisis of 2018.
• Abstract（参考訳）: 近年、農業のような経済セクターが予測不可能で極端な気象現象に苦しむ中、人類は気候変動の破滅的な影響を経験し始めている。 人工知能(AI)は、これらの気候問題に対処するのに役立ちますが、最も有望なソリューションは、気候が崩壊したデータを扱うのが得意ではありません。 本稿では, 気候変動に関する予測問題を, 一部は階級不均衡の問題によるものであり, 歴史的データセットからの予測は, 定義上は, 「気候異常事象」のマイノリティレベルの事例が不足しているため, 困難であることを示す。 この新たなデータ拡張手法 -- Counterfactual-Based SMOTE (CFA-SMOTE) は、Explainable AI (XAI) のインスタンスベースの対実法と、よく知られたクラス不均衡法 SMOTE を組み合わせたものだ。 CFA-SMOTEは、予測性能を改善するためにデータセットを増強する、異常な気候事象を表す合成データポイントを生成する。 本稿では,このCFA-SMOTE法との比較実験を行い,異なる条件(クラス不均衡比)下での反事実法とクラス不均衡法を比較した。 集中的な気候変化ドメインは、2018年のヨーロッパ規模の干ばつと食糧危機の間、アイルランドの乳製品農場で草の生長を予測することに依存している。

関連論文リスト

• Generative artificial intelligence improves projections of climate extremes [13.768093814009374]
  GCMは将来の気候を予測するのに不可欠であるが、その粗い解像度と高い計算コストは極端を表す能力を制限する。 本稿では,CMIP出力をダウンスケールする生成的ディープラーニングフレームワークであるFuXi-CMIPAlignを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T13:56:02Z)
• Taking the Garbage Out of Data-Driven Prediction Across Climate Timescales [0.3032942517187112]
  気候予測のために設計されたAI/MLモデルの入力データの適切な前処理のためのプロトコルを確立する。 事前処理が気候予測に与える影響について、研究者、開発者、エンドユーザを教育すること。 最終的に、推奨プラクティスを実装することで、気候予測研究におけるAI/MLの堅牢性と透明性が向上する。
  論文  参考訳（メタデータ） (2025-08-09T17:55:38Z)
• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• 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)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Handling Climate Change Using Counterfactuals: Using Counterfactuals in Data Augmentation to Predict Crop Growth in an Uncertain Climate Future [10.846915173217477]
  牧草地管理を支援することで、持続可能な乳製品栽培を支援するために設計されたCBRシステムを検討する。 気候変動に伴い、PBI-CBRの歴史的事例は将来の草の成長を予測するのに役に立ちません。 我々は、データ拡張を用いてPBI-CBRを拡張し、特に破壊的な気候イベントをカウンターファクトカル手法を用いて処理する。
  論文  参考訳（メタデータ） (2021-04-08T18:54:21Z)

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。