論文の概要: NeuralCrop: Combining physics and machine learning for improved crop yield predictions

• arxiv url: http://arxiv.org/abs/2512.20177v1
• Date: Tue, 23 Dec 2025 09:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.812566
• Title: NeuralCrop: Combining physics and machine learning for improved crop yield predictions
• Title（参考訳）: NeuralCrop: 収穫予測を改善するための物理と機械学習の組み合わせ
• Authors: Yunan Lin, Sebastian Bathiany, Maha Badri, Maximilian Gelbrecht, Philipp Hess, Brian Groenke, Jens Heinke, Christoph Müller, Niklas Boers,
• Abstract要約: グローバルグリッド型作物モデル(GGCM)は、重要な生物物理過程を明示的に表現することによって、日々の作物の成長をシミュレートする。 我々は,高度なプロセスベースGGCMとデータ駆動機械学習コンポーネントを組み合わせたハイブリッドGGCMであるNeuralCropを紹介する。 NeuralCropは、サイトレベルおよび大規模収穫地域において、最先端のGGCMよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 1.1647670668736185
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Global gridded crop models (GGCMs) simulate daily crop growth by explicitly representing key biophysical processes and project end-of-season yield time series. They are a primary tool to quantify the impacts of climate change on agricultural productivity and assess associated risks for food security. Despite decades of development, state-of-the-art GGCMs still have substantial uncertainties in simulating complex biophysical processes due to limited process understanding. Recently, machine learning approaches trained on observational data have shown great potential in crop yield predictions. However, these models have not demonstrated improved performance over classical GGCMs and are not suitable for simulating crop yields under changing climate conditions due to problems in generalizing outside their training distributions. Here we introduce NeuralCrop, a hybrid GGCM that combines the strengths of an advanced process-based GGCM, resolving important processes explicitly, with data-driven machine learning components. The model is first trained to emulate a competitive GGCM before it is fine-tuned on observational data. We show that NeuralCrop outperforms state-of-the-art GGCMs across site-level and large-scale cropping regions. Across moisture conditions, NeuralCrop reproduces the interannual yield anomalies in European wheat regions and the US Corn Belt more accurately during the period from 2000 to 2019 with particularly strong improvements under drought extremes. When generalizing to conditions unseen during training, NeuralCrop continues to make robust projections, while pure machine learning models exhibit substantial performance degradation. Our results show that our hybrid crop modelling approach offers overall improved crop modeling and more reliable yield projections under climate change and intensifying extreme weather conditions.
• Abstract（参考訳）: グローバルグリッド作物モデル(GGCM)は、重要な生物物理過程と季節収量時系列を明示的に表現することにより、日々の作物の生育をシミュレートする。 気候変動が農業生産性に与える影響を定量化し、食料安全保障のリスクを評価するための主要なツールである。 数十年にわたる開発にもかかわらず、最先端のGGCMは、プロセスの理解が限られているため、複雑な生物物理過程をシミュレートする上で、かなりの不確実性を持っている。 近年、観測データに基づいて訓練された機械学習アプローチは、収穫量の予測に大きな可能性を示している。 しかし,これらのモデルでは,従来のGGCMよりも優れた性能を示しておらず,温暖化条件下での収穫量のシミュレーションには適していない。 本稿では,高度なプロセスベースGGCMの強みを組み合わせたハイブリッドGGCMであるNeuralCropを紹介する。 このモデルはまず、観測データに基づいて微調整される前に、競争力のあるGGCMをエミュレートするように訓練される。 NeuralCropは、サイトレベルおよび大規模収穫地域において、最先端のGGCMよりも優れた性能を示す。 2000年から2019年の間、NeuralCropはヨーロッパ小麦とコーンベルトの年間収量異常を正確に再現し、特に干ばつによる強い改善が見られた。 トレーニング中に目に見えない条件に一般化する場合、NeuralCropは堅牢なプロジェクションを継続する。 以上の結果から,我々のハイブリッド作物モデル手法は,気候変化下での総合的改良作物モデルと,より信頼性の高い収量予測を提供し,極端気象条件の強化を図っている。

関連論文リスト

• 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)
• Deconfounding Multi-Cause Latent Confounders: A Factor-Model Approach to Climate Model Bias Correction [26.68810227550602]
  地球温暖化モデル(GCM)は、地球系をシミュレートすることで、将来の気候変動を予測するのに不可欠である。 GCMは、モデルの不確実性、パラメータ化の単純化、複雑な気候現象の不十分な表現による体系的なバイアスを示す。 本稿では,GCMと観測データの両方を利用する新しいバイアス補正手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T01:53:35Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• 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)
• Integrating processed-based models and machine learning for crop yield prediction [1.3107669223114085]
  本研究では,ハイブリッドメタモデリング手法を用いてジャガイモ収量予測を行う。 作物成長モデルを用いて、畳み込みニューラルネットを(前)訓練するための合成データを生成する。 シリコンに適用すると、我々のメタモデリング手法は、純粋にデータ駆動のアプローチからなるベースラインよりも優れた予測が得られる。
  論文  参考訳（メタデータ） (2023-07-25T12:51:25Z)
• 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)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

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。