論文の概要: Agent-Based Modeling of Low-Emission Fertilizer Adoption for Dairy Farm Decarbonisation using Empirical Farm Data
- arxiv url: http://arxiv.org/abs/2605.03648v1
- Date: Tue, 05 May 2026 11:25:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.915786
- Title: Agent-Based Modeling of Low-Emission Fertilizer Adoption for Dairy Farm Decarbonisation using Empirical Farm Data
- Title（参考訳）: 実証的ファームデータを用いた農作物の脱炭処理における低エミッション肥料導入のエージェントベースモデル
- Authors: Surya Jayakumar, Kieran Sullivan, John McLaughlin, Christine OMeara, Indrakshi Dey,
- Abstract要約: 本研究では,15年間にわたるアイルランドの乳園295の低エミッション導入をシミュレートするエージェントベース窒素管理フレームワークを提案する。
この枠組みは、温室効果ガス排出量、累積収量、私的社会的コストのトレードオフを推定する。
本研究は, 気候緩和戦略のロバスト性および拡散速度を評価するために, インサイリコ政策実験室を提供する。
- 参考スコア（独自算出の注目度）: 1.1744028458220426
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: To understand complex system dynamics in dairy farming, it is essential to use modeling tools that capture farm heterogeneity, social interactions, and cumulative environmental impacts. This study proposes an agent-based modeling (ABM) framework to simulate nitrogen management and the adoption of low-emission fertilizer across 295 Irish dairy farms over a 15-year period. Using empirical data, the model represents farm communication through a social network, capturing peer influence and discussion group dynamics, where adoption probabilities are driven by social contagion, farm-scale characteristics, and policy interventions such as subsidies and carbon taxes. The framework estimates sectoral greenhouse gas emissions, cumulative abatement, and private-social cost trade-offs, using Monte Carlo simulation and sensitivity analysis to quantify uncertainty. The model shows strong agreement with observed adoption trajectories ($R^2 = 0.979$, RMSE = 0.0274) and is validated against empirical data using a Kolmogorov-Smirnov test (D = 0.2407, p < 0.001), indicating its ability to reproduce structural patterns in adoption behavior. Adoption dynamics are further characterized using a logistic diffusion model consistent with Rogers' innovation diffusion theory, capturing progression from early adoption to a saturation level of approximately 91%. By framing decarbonization as a socio-technical diffusion process rather than a purely economic optimization problem, this study provides an in silico policy laboratory for evaluating the robustness and diffusion speed of climate mitigation strategies prior to implementation.
- Abstract（参考訳）: 乳製品栽培における複雑なシステムダイナミクスを理解するためには、農業の不均一性、社会的相互作用、累積的環境影響を捉えるためのモデリングツールが不可欠である。
本研究では, 窒素管理をシミュレートするエージェント・ベース・モデリング(ABM)フレームワークを提案する。
実証データを用いて、このモデルは、ソーシャルネットワークを介して農業コミュニケーションを表現し、社会感染、農業規模の特徴、補助金や炭素税などの政策介入によって、養子縁組の確率が引き起こされる、ピア・インフルエンスや議論グループダイナミクスを捉える。
この枠組みはモンテカルロシミュレーションと感度分析を用いて、セクター的な温室効果ガス排出量、累積収量、私的社会的コストトレードオフを推定し、不確実性を定量化する。
このモデルは、観測された適用軌道(R^2 = 0.979$, RMSE = 0.0274)と強い一致を示し、Kolmogorov-Smirnovテスト(D = 0.2407, p < 0.001)を用いて実験データに対して検証され、導入行動における構造パターンを再現する能力を示している。
導入ダイナミクスはロジャーズの革新拡散理論と整合したロジスティック拡散モデルを用いてさらに特徴付けられ、早期導入から飽和レベルまで約91%まで進行する。
本研究は, 純粋な経済最適化問題ではなく, 社会技術的拡散過程としての脱炭をフレーミングすることにより, 気候浄化戦略の堅牢性と拡散速度を評価するための, インサイリコ政策実験室を提供する。
関連論文リスト
- AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。
炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。
我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
論文 参考訳（メタデータ） (2026-02-02T04:04:07Z) - Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文 参考訳（メタデータ） (2025-10-28T01:18:00Z) - Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。
本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。
KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
論文 参考訳（メタデータ） (2025-07-01T05:55:28Z) - LLM-based Evaluation Policy Extraction for Ecological Modeling [22.432508855430797]
多くの重要なアプリケーションにおけるモデル性能のベンチマークには,エコロジー時系列の評価が不可欠である。
伝統的な数値メトリクスは、生態学的プロセスに不可欠なドメイン固有の時間的パターンを捉えるのに失敗する。
本稿では,大規模言語モデル(LLM)に基づく自然言語ポリシー抽出とメトリック学習を統合した新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-20T01:02:29Z) - Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis [0.5399800035598186]
非パラメトリック手法と、更新理論に基づく分散カウントモデルを組み合わせる方法である。
アイオワ州の肺がんと気管支がんの死亡データに適用し、環境と人口統計の要因を強調している。
この応用は、公衆衛生研究における方法論の重要性を強調するものである。
論文 参考訳（メタデータ） (2025-03-24T20:13:55Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Mapping Methane -- The Impact of Dairy Farm Practices on Emissions Through Satellite Data and Machine Learning [0.0]
本研究では,カナダ東部の衛星観測から得られた乳牛の特性とメタン濃度の相関について検討した。
我々は,Sentinel-5P衛星メタンデータを群集遺伝学,摂食慣行,管理戦略など,農業レベルの重要な属性と統合した。
論文 参考訳（メタデータ） (2024-11-13T16:52:30Z) - BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees [0.0]
本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルの組み合わせについて検討する。
マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。
次に、このモデルを用いてケニアの人文的反応を予測し、複雑なサンプリング設計を用いてデータを収集する。
論文 参考訳（メタデータ） (2023-09-23T05:35:17Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳（メタデータ） (2022-03-14T17:24:03Z)
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。