論文の概要: A Hybrid Modeling Framework for Crop Prediction Tasks via Dynamic Parameter Calibration and Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2603.15411v1
• Date: Mon, 16 Mar 2026 15:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.535813
• Title: A Hybrid Modeling Framework for Crop Prediction Tasks via Dynamic Parameter Calibration and Multi-Task Learning
• Title（参考訳）: 動的パラメータキャリブレーションとマルチタスク学習による作物予測タスクのハイブリッド・モデリング・フレームワーク
• Authors: William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian, Alan Fern,
• Abstract要約: 作物の状態の予測(例えば、表現学の段階と冷酷さ)は、タイムリーな農業経営の決定に不可欠である。 伝統的な生物物理学モデルは、季節ごとの予測に使用できるが、サイト固有の管理に必要な正確さは欠如している。 ディープラーニング手法は魅力的な代替手段であるが、生物学的に非現実的な予測を生成し、大規模なデータを必要とする。 本稿では,ニューラルネットワークを用いて生物物理モデルのパラメータ化を行うエンフィブリッドモデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 12.931265480300715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of crop states (e.g., phenology stages and cold hardiness) is essential for timely farm management decisions such as irrigation, fertilization, and canopy management to optimize crop yield and quality. While traditional biophysical models can be used for season-long predictions, they lack the precision required for site-specific management. Deep learning methods are a compelling alternative, but can produce biologically unrealistic predictions and require large-scale data. We propose a \emph{hybrid modeling} approach that uses a neural network to parameterize a differentiable biophysical model and leverages multi-task learning for efficient data sharing across crop cultivars in data limited settings. By predicting the \emph{parameters} of the biophysical model, our approach improves the prediction accuracy while preserving biological realism. Empirical evaluation using real-world and synthetic datasets demonstrates that our method improves prediction accuracy by 60\% for phenology and 40\% for cold hardiness compared to deployed biophysical models.
• Abstract（参考訳）: 作物の状態の正確な予測(例えば、表現学の段階や寒冷な硬さ)は、作物の収量と品質を最適化するために、灌水、肥料化、天蓋管理などのタイムリーな農業経営決定に不可欠である。 伝統的な生物物理学モデルは季節ごとの予測に利用できるが、サイト固有の管理に必要な正確さは欠如している。 ディープラーニング手法は魅力的な代替手段であるが、生物学的に非現実的な予測を生成し、大規模なデータを必要とする。 本稿では,ニューラルネットワークを用いて生物物理モデルをパラメータ化し,マルチタスク学習を活用して作物品種間の効率的なデータ共有を実現する,‘emph{hybrid modeling} アプローチを提案する。 生物物理モデルのemph{parameters}を予測することにより,生物リアリズムを保ちながら予測精度を向上させる。 実世界および合成データセットを用いた実証評価により, 本手法は, 生体物理モデルを用いた場合と比較して, 表現学では60倍, 寒冷性では40倍の精度で予測精度が向上することを示した。

関連論文リスト

• Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring [4.920530441985874]
  本研究では, 細胞培養プロセスにおけるグルコース, 乳酸, アンモニウム濃度のリアルタイム予測のための機械学習(ML)3つのアプローチの展開について検討した。 この研究は、限られたデータ可用性とプロセスの可変性に関連する課題に対処する。 各種バイオプロセス条件がモデル性能に及ぼす影響を評価するために, 2つの産業ケーススタディを提出した。
  論文  参考訳（メタデータ） (2025-08-29T22:26:13Z)
• 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)
• Hybrid Phenology Modeling for Predicting Temperature Effects on Tree Dormancy [6.537907917185119]
  本稿では,果樹の休眠を表現した表現学モデルを提案する。 われわれのアプローチは、長年にわたる開花予測において、従来の生物物理学モデルと機械学習モデルの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-28T10:41:48Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Human Limits in Machine Learning: Prediction of Plant Phenotypes Using Soil Microbiome Data [0.2812395851874055]
  我々は,土壌と生物表現型との関係を理解するために,機械学習モデルの予測可能性について,初めて深く研究した。 土壌物理化学的特性や微生物集団密度などの環境特性をモデルに組み込んだ場合, 予測精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-19T20:52:37Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。