論文の概要: AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress

• arxiv url: http://arxiv.org/abs/2601.16045v1
• Date: Thu, 22 Jan 2026 15:20:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.63766
• Title: AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress
• Title（参考訳）: AgriPINN: 水ストレス下での解釈可能でスケーラブルな作物バイオマス予測のためのプロセスインフォームニューラルネットワーク
• Authors: Yue Shi, Liangxiu Han, Xin Zhang, Tam Sobeih, Thomas Gaiser, Nguyen Huu Thuy, Dominik Behrend, Amit Kumar Srivastava, Krishnagopal Halder, Frank Ewert,
• Abstract要約: 水ストレス下での作物表層バイオマス(AGB)の予測は、作物のモニタリング、灌水誘導、耐気候性農業の支援に重要である。 データ駆動モデルはよくスケールするが、しばしば解釈可能性や分散シフト時の劣化が欠落する。 本稿では, プロセスインフォームドニューラルネットワークであるAgriNPINを提案する。
• 参考スコア（独自算出の注目度）: 4.890986949786707
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate prediction of crop above-ground biomass (AGB) under water stress is critical for monitoring crop productivity, guiding irrigation, and supporting climate-resilient agriculture. Data-driven models scale well but often lack interpretability and degrade under distribution shift, whereas process-based crop models (e.g. DSSAT, APSIM, LINTUL5) require extensive calibration and are difficult to deploy over large spatial domains. To address these limitations, we propose AgriPINN, a process-informed neural network that integrates a biophysical crop-growth differential equation as a differentiable constraint within a deep learning backbone. This design encourages physiologically consistent biomass dynamics under water-stress conditions while preserving model scalability for spatially distributed AGB prediction. AgriPINN recovers latent physiological variables, including leaf area index (LAI), absorbed photosynthetically active radiation (PAR), radiation use efficiency (RUE), and water-stress factors, without requiring direct supervision. We pretrain AgriPINN on 60 years of historical data across 397 regions in Germany and fine-tune it on three years of field experiments under controlled water treatments. Results show that AgriPINN consistently outperforms state-of-the-art deep-learning baselines (ConvLSTM-ViT, SLTF, CNN-Transformer) and the process-based LINTUL5 model in terms of accuracy (RMSE reductions up to $43\%$) and computational efficiency. By combining the scalability of deep learning with the biophysical rigor of process-based modeling, AgriPINN provides a robust and interpretable framework for spatio-temporal AGB prediction, offering practical value for planning of irrigation infrastructure, yield forecasting, and climate-adaptation planning.
• Abstract（参考訳）: 水ストレス下での作物地上バイオマス(AGB)の正確な予測は、作物の生産性をモニタリングし、灌水を誘導し、気候に耐性のある農業を支援するために重要である。 データ駆動型モデルはよくスケールするが、分散シフト時に解釈可能性や分解性に欠けることが多いが、プロセスベースの作物モデル(DSSAT、APSIM、LINTUL5など)は広いキャリブレーションを必要とし、大きな空間領域に展開することが困難である。 これらの制約に対処するために,生物物理学的作物成長微分方程式を深層学習バックボーン内で微分可能な制約として統合するプロセスインフォームドニューラルネットワークであるAgriPINNを提案する。 この設計は、空間分散AGB予測のためのモデルスケーラビリティを保ちながら、水ストレス条件下での生理的一貫したバイオマスダイナミクスを促進する。 AgriPINNは、葉面積指数(LAI)、吸収光合成活性放射線(PAR)、放射線利用効率(RUE)、水ストレス因子などの潜伏生理的変数を直接監督することなく回収する。 我々はドイツの397の地域で60年間の歴史的データに基づいてAgriPINNを事前訓練し、制御水処理下での3年間のフィールド実験で微調整を行った。 その結果,AgriPINNは最先端のディープラーニングベースライン(ConvLSTM-ViT, SLTF, CNN-Transformer)とプロセスベースLINTUL5モデルを精度(RMSEを最大43\%まで削減する)と計算効率で一貫して上回っていることがわかった。 AgriPINNは、深層学習のスケーラビリティとプロセスベースモデリングの生物物理学的厳密さを組み合わせることで、時空間AGB予測のための堅牢で解釈可能なフレームワークを提供し、灌水インフラの計画、収量予測、気候適応計画の実践的価値を提供する。

関連論文リスト

• MRD-LiNet: A Novel Lightweight Hybrid CNN with Gradient-Guided Unlearning for Improved Drought Stress Identification [0.0]
  干ばつは世界の作物生産にとって大きな脅威である。 本稿では、ResNet、DenseNet、MobileNetアーキテクチャにインスパイアされた軽量なハイブリッドCNNフレームワークを提案する。 このフレームワークは、従来のCNNやVision Transformerモデルと比較して、トレーニング可能なパラメータの15倍の大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-09-08T06:46:35Z)
• Calibrating Biophysical Models for Grape Phenology Prediction via Multi-Task Learning [5.796482272333648]
  本稿では,マルチタスク学習と繰り返しニューラルネットワークを組み合わせたハイブリッドモデリング手法を提案する。 生物物理モデルのパラメータを予測するためにマルチタスク学習を用いることで,生物構造を保ちながら品種間の共有学習を可能にする。
  論文  参考訳（メタデータ） (2025-08-05T20:36:11Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• 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)

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。