論文の概要: Retrieval-Augmented Multi-scale Framework for County-Level Crop Yield Prediction Across Large Regions

• arxiv url: http://arxiv.org/abs/2603.07305v1
• Date: Sat, 07 Mar 2026 18:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.218613
• Title: Retrieval-Augmented Multi-scale Framework for County-Level Crop Yield Prediction Across Large Regions
• Title（参考訳）: 大規模地域における郡レベルの作物収量予測のための検索強化型マルチスケールフレームワーク
• Abstract要約: 本稿では,新たな収量予測法を提案する。 経営戦略の整備、保険評価の実施、長期の食料安全保障の確保に不可欠である。 米国内の630郡にまたがる実際の郡レベルのトウモロコシ収量データに関する実験は、我々の方法が一貫して異なる種類のベースラインを上回っていることを実証している。
• 参考スコア（独自算出の注目度）: 34.58211268275732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a new method for crop yield prediction, which is essential for developing management strategies, informing insurance assessments, and ensuring long-term food security. Although existing data-driven approaches have shown promise in this domain, their performance often degrades when applied across large geographic regions and long time periods. This limitation arises from two key challenges: (1) difficulty in jointly capturing short-term and long-term temporal patterns, and (2) inability to effectively accommodate spatial data variability in agricultural systems. Ignoring these issues often leads to unreliable predictions for specific regions or years, which ultimately affects policy decisions and resource allocation. In this paper, we propose a new predictive framework to address these challenges. First, we introduce a new backbone model architecture that captures both short-term daily-scale crop growth dynamics and long-term dependencies across years. To further improve generalization across diverse spatial regions, we augment this model with a retrieval-based adaptation strategy. Recognizing the substantial yield variation across years, we design a novel retrieval-and-refinement pipeline that adjusts retrieved samples by removing cross-year bias not explained by input features. Our experiments on real-world county-level corn yield data over 630 counties in the US demonstrate that our method consistently outperforms different types of baselines. The results also verify the effectiveness of the retrieval-based augmentation method in improving model robustness under spatial heterogeneity.
• Abstract（参考訳）: 本稿では,経営戦略の策定,保険評価の実施,長期的食料安全保障の確保に不可欠な新たな収量予測手法を提案する。 既存のデータ駆動アプローチはこの領域で有望だが、大きな地理的領域や長い期間にわたって適用された場合、その性能は劣化することが多い。 この制限は,(1)短期・長期の時間的パターンの同時取得が困難であること,(2)農業システムにおける空間データ変動を効果的に抑制できないこと,の2つの主要な課題から生じる。 これらの問題を無視することは、しばしば特定の地域や数年の信頼性の低い予測につながり、最終的には政策決定や資源配分に影響を与える。 本稿では,これらの課題に対処するための新しい予測フレームワークを提案する。 まず,長期にわたる短期的な作物生育動態と長期的依存の両方を捉えるバックボーンモデルアーキテクチャを提案する。 多様な空間領域にまたがる一般化をさらに改善するため,このモデルを検索に基づく適応戦略により拡張する。 入力特徴によって説明されない年次バイアスを除去することにより,検索サンプルを調整できる新しい検索・精製パイプラインを設計する。 米国内の630郡にまたがる実際の郡レベルのトウモロコシ収量データに関する実験は、我々の方法が一貫して異なる種類のベースラインを上回っていることを実証している。 また,空間的不均一性下でのモデルロバスト性向上における検索に基づく拡張手法の有効性を検証した。

関連論文リスト

• Data Leakage Inflates Generalizability of Power Outage Prediction Models [0.9558392439655014]
  一般化能力に影響を与える停電予測モデルにおける3つの一般的な方法論的選択を同定する。 2018年から2023年にかけて、米国東海岸で公開されているデータを用いて、さまざまな方法論決定の予測的パフォーマンスへの影響を比較した。 ランダムな列車試験の分割は高い性能をもたらすが、これらの結果は空間的および時間的自己相関によって膨らませられることを示す。 これらの結果は、現在のデータ可用性と評価のプラクティスを考えると、公的に訓練された停止予測モデルが限られた運用価値と不確実な運用価値を提供することを示唆している。
  論文  参考訳（メタデータ） (2026-08-25T15:05:55Z)
• Think Longer to Explore Deeper: Learn to Explore In-Context via Length-Incentivized Reinforcement Learning [53.58654277639939]
  文脈内探索(In-context Exploring)は、単一の連続した文脈内で仮説を生成、検証、洗練する本質的な能力である。 本稿では,モデルにさらなる探索を促すLongth-Incentivized Explorationを提案する。 提案手法は、ドメイン内タスクの平均4.4%改善と、ドメイン外ベンチマークの2.7%向上を実現している。
  論文  参考訳（メタデータ） (2026-02-12T09:24:32Z)
• Variational Autoencoded Multivariate Spatial Fay-Herriot Models [2.411699454065038]
  サンプルサイズに制限のある地域での個体群特性を推定するためには,小面積推定モデルが不可欠である。 空間的ファイ・ヘリオットモデル(英語版)は、近隣地域の強度を借りて推定を改善するために空間的依存を取り入れたアプローチである。 本稿では,多変量空間ファイ・ヘリオットモデルと空間ランダム効果を統合し,変分オートエンコーダを用いて学習する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T20:19:09Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たな画像は、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを探索する余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Cross Domain Early Crop Mapping using CropSTGAN [12.271756709807898]
  本稿では,Crop Mapping Spectral-temporal Generative Adrial Neural Network (CropSTGAN)を紹介する。 CropSTGANは、ターゲットドメインのスペクトル特徴をソースドメインのスペクトル特徴に変換することを学習し、実質的に大きな相似性をブリッジする。 実験では、CropSTGANは様々な最先端(SOTA)メソッドに対してベンチマークされる。
  論文  参考訳（メタデータ） (2024-01-15T00:27:41Z)
• 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)
• Implicit neural representation for change detection [15.741202788959075]
  点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。 Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。 本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
  論文  参考訳（メタデータ） (2023-07-28T09:26:00Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction [18.981160729510417]
  本稿では,地理的知識と時間的知識を両立させるため,収穫量予測のためのグラフベースの新しいリカレントニューラルネットワークを提案する。 米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
  論文  参考訳（メタデータ） (2021-11-17T04:43:25Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。