論文の概要: From Simulation to Discovery: AI Enabled Probabilistic Emulation of Mechanistic Crop Systems

• arxiv url: http://arxiv.org/abs/2605.22848v1
• Date: Fri, 15 May 2026 23:56:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:19.990569
• Title: From Simulation to Discovery: AI Enabled Probabilistic Emulation of Mechanistic Crop Systems
• Title（参考訳）: シミュレーションから発見へ:AIは機械的作物システムの確率論的エミュレーションを可能にする
• Authors: Mojdeh Saadati, Juan Panelo, Gustavo Visentini, Soumik Sarkar, Carlos Messina, Baskar Ganapathysubramanian,
• Abstract要約: 我々は,APSIMの確率論的ニューラルネットワークエミュレータを開発し,高忠実度で13個の出力にまたがる主要なトウモロコシ成長過程を再現する。 多様な遺伝的、土壌、管理条件にまたがる200万のシミュレーションに基づいて、このフレームワークは作物の反応をスケーラブルに探索することを可能にする。 この枠組みを10万の形質構成、アイオワ州とイリノイ州の6つの土壌環境、そして2100年の気候予測を2つの排出シナリオで適用し、高い収量を維持し続ける181のトウモロコシ形質の組み合わせを同定した。
• 参考スコア（独自算出の注目度）: 7.121184270363554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global food security depends on predicting crop responses to climate variability, yet process based crop models remain too computationally expensive for large scale exploration of genotype and environment interactions. Here we develop a probabilistic neural emulator of APSIM that reproduces key maize growth processes across 13 outputs with high fidelity (with R^2 of 0.93) while reducing simulation time by several orders of magnitude. Trained on two million simulations spanning diverse genetic, soil, and management conditions, and augmented with a convolutional synthetic weather generator that produces physically consistent climate sequences, the framework enables scalable exploration of crop responses under realistic and diverse environmental inputs while providing calibrated predictive uncertainty without costly Bayesian inference. Applying this framework across 100,000 trait configurations, six soil environments in Iowa and Illinois, and climate projections through the year 2100 under two emissions scenarios, we identify 181 maize trait combinations that consistently maintain high yield across all tested conditionsan analysis infeasible with the mechanistic model alone. We further show that radiation use efficiency and temperature driven root dynamics are dominant drivers of yield resilience. Notably, projected yield distributions vary substantially across locations, with some lower productivity sites exhibiting yield increases under future climate scenarios, indicating that climate change may reshape regional yield potential in nonintuitive ways. These results demonstrate how uncertainty aware emulation transforms mechanistic crop simulation from a computational bottleneck into an on demand discovery engine, one capable of interrogating the full genotype, environment and management space at a scale no process-based model can match.
• Abstract（参考訳）: グローバル食品の安全性は、気候変動に対する作物の反応を予測することに依存するが、プロセスベースの作物モデルは、大規模なジェノタイプと環境相互作用の探索には計算コストがかかりすぎている。 そこで我々は,APSIMの確率論的ニューラルネットワークエミュレータを開発し,高忠実度(R^2の0.93)の13個の出力に対して,主要なトウモロコシ成長過程を再現し,数桁のシミュレーション時間を短縮する。 多様な遺伝的、土壌、管理条件にまたがる200万のシミュレーションをトレーニングし、物理的に一貫した気候配列を生成する畳み込み合成気象発生器で強化することで、現実的で多様な環境入力下での作物の応答のスケーラブルな探索を可能にし、ベイズ推定を犠牲にすることなく、校正された予測の不確実性を提供する。 この枠組みを10万の形質構成、アイオワ州とイリノイ州の6つの土壌環境、および2100年の気候予測に2つの排出シナリオで適用することにより、181のトウモロコシ形質の組み合わせを同定する。 さらに、放射利用効率と温度駆動根動が収率レジリエンスの主要な要因であることを示す。 特に、予測された収量分布は地域によって大きく異なり、将来の気候シナリオの下で収量の増加を示す生産性の低い場所もいくつかあり、気候変動が非直感的な方法で地域収量ポテンシャルを再構築する可能性があることを示している。 これらの結果は、不確実性を考慮したエミュレーションが、機械的作物シミュレーションを計算ボトルネックからオンデマンド発見エンジンに変換し、プロセスベースモデルが一致しないスケールで、完全なジェノタイプ、環境、管理空間を問うことができることを示す。

関連論文リスト

• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• NeuralCrop: Combining physics and machine learning for improved crop yield predictions [1.1647670668736185]
  グローバルグリッド型作物モデル(GGCM)は、重要な生物物理過程を明示的に表現することによって、日々の作物の成長をシミュレートする。 我々は,高度なプロセスベースGGCMとデータ駆動機械学習コンポーネントを組み合わせたハイブリッドGGCMであるNeuralCropを紹介する。 NeuralCropは、サイトレベルおよび大規模収穫地域において、最先端のGGCMよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-12-23T09:16:44Z)
• Regional climate risk assessment from climate models using probabilistic machine learning [12.737495484442443]
  GenFocalは、微細な時間スケールで相互作用する複雑な気候プロセスのための汎用的でエンドツーエンドな生成フレームワークである。 現在の気候における極端なリスクを、先進的なアプローチよりも正確に評価する。 GenFocalは、気候の予測がdecadalの時間スケールに与える影響に関する文献と一致する、魅力的な結果を示している。
  論文  参考訳（メタデータ） (2024-12-11T03:52:17Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks [2.937141232326068]
  我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。 GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。 当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
  論文  参考訳（メタデータ） (2021-04-29T02:10:08Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

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。