論文の概要: Designing probabilistic AI monsoon forecasts to inform agricultural decision-making
- arxiv url: http://arxiv.org/abs/2603.07893v2
- Date: Tue, 10 Mar 2026 14:09:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-11 15:25:23.713007
- Title: Designing probabilistic AI monsoon forecasts to inform agricultural decision-making
- Title（参考訳）: 農業意思決定のための確率的AIモンスーン予測の設計
- Authors: Colin Aitken, Rajat Masiwal, Adam Marchakitus, Katherine Kowal, Mayank Gupta, Tyler Yang, Amir Jina, Pedram Hassanzadeh, William R. Boos, Michael Kremer,
- Abstract要約: 本稿では,農家の状況が異質であるため,予測者が最適な行動を規定できないような環境で有用な予測を設計するための意思決定理論フレームワークを提案する。
この枠組みをモンスーン雨の季節的発生例に適用し,多くの熱帯諸国における植林決定と農業投資の鍵となる日である。
我々は,システムベンチマークによる人工知能(AI)天気予報モデルと,新たな「進化する農夫の期待」統計モデルを組み合わせることで,この枠組みの要件に合わせた予測を行うシステムを開発した。
- 参考スコア（独自算出の注目度）: 0.14127999391177834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hundreds of millions of farmers make high-stakes decisions under uncertainty about future weather. Forecasts can inform these decisions, but available choices and their risks and benefits vary between farmers. We introduce a decision-theory framework for designing useful forecasts in settings where the forecaster cannot prescribe optimal actions because farmers' circumstances are heterogeneous. We apply this framework to the case of seasonal onset of monsoon rains, a key date for planting decisions and agricultural investments in many tropical countries. We develop a system for tailoring forecasts to the requirements of this framework by blending systematically benchmarked artificial intelligence (AI) weather prediction models with a new "evolving farmer expectations" statistical model. This statistical model applies Bayesian inference to historical observations to predict time-varying probabilities of first-occurrence events throughout a season. The blended system yields more skillful Indian monsoon forecasts at longer lead times than its components or any multi-model average. In 2025, this system was deployed operationally in a government-led program that delivered subseasonal monsoon onset forecasts to 38 million Indian farmers, skillfully predicting that year's early-summer anomalous dry period. This decision-theory framework and blending system offer a pathway for developing climate adaptation tools for large vulnerable populations around the world.
- Abstract（参考訳）: 数億人の農家が将来の天気について不透明な状況下で高い意思決定をしている。
予測はこれらの決定を通知するが、利用可能な選択肢とそのリスクとメリットは農家によって異なる。
本稿では,農家の状況が異質であるため,予測者が最適な行動を規定できないような環境で有用な予測を設計するための意思決定理論フレームワークを提案する。
この枠組みをモンスーン雨の季節的発生例に適用し,多くの熱帯諸国における植林決定と農業投資の鍵となる日である。
我々は,システムベンチマークされた人工知能(AI)天気予報モデルと,新たな「進化する農夫の期待」統計モデルを組み合わせることで,この枠組みの要求に合わせた予測を行うシステムを開発した。
この統計モデルは、ベイズ推定を歴史的観測に応用し、季節を通して発生した最初の事象の時間変化確率を予測する。
ブレンドシステムでは、コンポーネントやマルチモデル平均よりも長いリードタイムで、より熟練したインドモンスーン予測が得られる。
2025年、このシステムは政府主導のプログラムで運用され、季節的なモンスーンの発症予測を3800万のインド農夫に届け、その年の初期の夏の乾燥期を巧みに予測した。
この決定理論の枠組みとブレンディングシステムは、世界中の大きな脆弱な人口のための気候適応ツールを開発するための経路を提供する。
関連論文リスト
- Decision-oriented benchmarking to transform AI weather forecast access: Application to the Indian monsoon [0.1336067931174899]
気象学、AI、社会科学を結びつける枠組みを導入する。
インドのモンスーン予測の150年前の問題に適用する。
このフレームワークは、2025年に政府主導で、農家のAIベースのモンスーンの発症予測を3800万回送った。
論文 参考訳（メタデータ） (2026-02-03T17:27:22Z) - Generative assimilation and prediction for weather and climate [9.319028023682494]
GAP(Generative Assimilation and Prediction)を紹介する。
GAPは気候と気候の同化と予測のための統合された枠組みである。
データ同化、シームレスな予測、気候シミュレーションなど、幅広い気候関連タスクに優れています。
論文 参考訳（メタデータ） (2025-03-04T22:36:29Z) - OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。
動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。
動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
論文 参考訳（メタデータ） (2025-02-01T06:49:16Z) - Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。
このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。
機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文 参考訳（メタデータ） (2024-12-14T22:09:45Z) - 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) - 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) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳（メタデータ） (2023-06-24T22:00:06Z) - A Machine Learning Approach to Forecasting Honey Production with Tree-Based Methods [0.0]
我々は、さまざまな機械学習モデルを用いて、イタリア全土における蜂蜜生産の予測分析を行う。
我々の分析は2022年に収集されたデータセットに依存しており、ヒブレベルの観測と詳細な気象データを組み合わせている。
モデルを説明することによって,ハチミツ生産の主要な要因を同定する。
論文 参考訳（メタデータ） (2023-03-30T07:21:51Z) - Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。
我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。
Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
論文 参考訳（メタデータ） (2021-04-02T09:29:03Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。