論文の概要: Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series

• arxiv url: http://arxiv.org/abs/2605.04548v1
• Date: Wed, 06 May 2026 06:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.680932
• Title: Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series
• Title（参考訳）: 環境時系列による乳房疾患リスクのイベント・ベースの早期警戒
• Abstract要約: 本報告では, 環境時系列から早期にブドウ園病リスクを警告するためのイベントベースのアプローチを提案する。 日常的な疾患の状態を予測するのではなく、このタスクは、注釈付き疾患リスク期間への移行を予測するために再編成される。
• 参考スコア（独自算出の注目度）: 1.0330395403064265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate early warning of vineyard disease risk from environmental observations is essential for timely intervention and more sustainable crop protection. However, many existing studies formulate disease prediction as daily presence classification, which can favor persistence-driven predictions and provide only limited support for actionable short-horizon warning. In this paper, we present an event-based approach for early warning of vineyard disease risk from environmental time series and evaluate it through a vineyard case study. Rather than predicting daily disease status, the task is reformulated to predict transitions into annotated disease-risk periods within a future window of 3-7 days. To reduce fragmentation caused by short interruptions in the binary labels, new events are defined only after a minimum disease-free gap. This formulation encourages models to capture environmental precursors associated with upcoming risk periods instead of merely reproducing temporal persistence. Using multi-year agro-meteorological data, we construct input representations that capture humidity dynamics, rainfall accumulation, temperature variability, and seasonal structure through cyclic temporal encoding. We evaluate representative methods from classical machine learning and deep learning, including XGBoost, Long Short-Term Memory (LSTM) networks, and Temporal Convolutional Networks (TCNs), using both standard classification metrics and an event-oriented early warning protocol. The results show that the event-based formulation supports practical short-horizon warning, while the compared models exhibit distinct trade-offs between event recall, lead time, and false-alert behavior. Overall, the study underscores the importance of problem formulation in environmental time-series learning and demonstrates the value of event-based prediction for vineyard disease warning systems.
• Abstract（参考訳）: 環境観測によるブドウ病のリスクの正確な早期警告は、時間的介入とより持続可能な作物保護に不可欠である。 しかし、既存の多くの研究は、病気の予測を日常的な存在分類として定式化しており、永続性による予測を好ましく、行動可能な短地警告を限定的にサポートしているだけである。 本稿では, 環境時系列からブドウ病リスクを早期に警告するためのイベントベースのアプローチを提案し, ブドウ病ケーススタディを通じて評価する。 毎日の病気の状態を予測するのではなく、今後3～7日間の窓口で、注釈付き疾患リスク期間への移行を予測するよう改革されている。 バイナリラベルの短い中断による断片化を低減するために、新しいイベントは最小の疾患のないギャップの後にのみ定義される。 この定式化は、モデルが時間的持続性を単に再現するのではなく、今後のリスク期間に関連する環境前駆体を捕捉することを奨励する。 複数年間のアグロ気象データを用いて,周期時間符号化による湿度動態,降雨蓄積,温度変動,季節構造を捉える入力表現を構築した。 XGBoost,Long Short-Term Memory (LSTM) Network,Temporal Convolutional Networks (TCNs)など,従来の機械学習やディープラーニングの代表的な手法を,標準分類基準とイベント指向早期警告プロトコルの両方を用いて評価する。 その結果、イベントベースの定式化は、実際の短期的警告をサポートする一方で、比較モデルでは、イベントリコール、リードタイム、偽アラート行動の間には、明確なトレードオフが示されることがわかった。 本研究は、環境時系列学習における問題定式化の重要性を強調し、ブドウ病警告システムにおける事象ベースの予測の価値を実証する。

関連論文リスト

• Real-Time Climate Risk Assessment for Supply Chain Resilience: A Data-Driven Nowcasting Framework for Colombian Agriculture [0.0]
  本稿では,コロンビアの農業環境におけるサプライチェーンのレジリエンスを高めるために,データ駆動型流し込み技術を用いたリアルタイム気候リスク評価のための方法論的枠組みを提案する。 人工的および歴史的データ実験の結果、短期降水量計は農業サプライチェーンの行動可能なリスク指標に変換可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-08-10T17:05:47Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics [0.0]
  しばしば、モデルによって生成されたポイント予測は、将来の流行の出来事に不確実性を割り当てるには信頼できない。 本稿では,低頻度流行データセット上での高精度で信頼性の高い確率予測を生成するための深層分析手法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:38:45Z)
• Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles [9.53248032827498]
  FATE(Forecasting Anomalies with Time-Series Ensembles)を提案する。 FATEは将来の値を予測し、アンサンブルの不一致を利用して、推論時にターゲット値にアクセスすることなく、潜在的な異常の早期兆候を示す。 5つの実世界のベンチマークデータセットの実験により、FATEはPTaPR AUCの19.9ポイント、早期検出のF1スコアの20.02ポイントの平均的な改善を達成している。
  論文  参考訳（メタデータ） (2026-02-19T02:48:09Z)
• Deep learning framework for predicting stochastic take-off and die-out of early spreading [3.3147247892604708]
  大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T08:18:47Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Harmful algal bloom forecasting. A comparison between stream and batch learning [0.7067443325368975]
  有害なアルガルブルーム(HAB)は公衆衛生と貝類産業にリスクをもたらす。 本研究では,有毒なジノフラゲレートの細胞数を予測する機械学習ワークフローを開発した。 モデルDoMEは最も効果的で解釈可能な予測器として登場し、他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-02-20T15:01:11Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Temporal Robustness against Data Poisoning [69.01705108817785]
  データ中毒は、悪意のあるトレーニングデータを通じて、敵対者が機械学習アルゴリズムの振る舞いを操作する場合を考慮している。 本研究では,攻撃開始時間と攻撃持続時間を測定する2つの新しい指標である耳線と持続時間を用いたデータ中毒の時間的脅威モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:59:19Z)
• Temporal Label Smoothing for Early Prediction of Adverse Events [0.0]
  興味ある事象に近接する関数として滑らかな強度を調節する新しい学習戦略であるTLSを提案する。 本手法は, 偽アラーム率の低いイベントリコールなどの臨床関連指標の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-08-29T17:58:48Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

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。