論文の概要: PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction

• arxiv url: http://arxiv.org/abs/2605.23478v1
• Date: Fri, 22 May 2026 10:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.317336
• Title: PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction
• Title（参考訳）: PhenoYieldNet:マルチクロップ収率予測のための作物認識現象の学習
• Authors: Yu Luo, Xiaogang Zhu, Shan Zeng, Wei Xiang, Thomas Francis Bishop, Zhiyong Wang, Kun Hu,
• Abstract要約: Pheno YieldNetは、時間的ドライバで応答を明示的にモデル化することで、特定の表現学を学ぶマルチクロップ収率予測フレームワークである。 マルチクロップデータセットを用いた実験により,提案手法は最先端の手法よりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 38.30025798349735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate crop yield prediction is crucial for sustainable agriculture and global food security. While existing methods are predominantly developed for single-crop prediction, they often struggle to generalize across diverse crop types, without addressing the unique crop phenological responses that are dynamically modulated by complex weather patterns. In this paper, we propose PhenoYieldNet, a multi-crop yield prediction framework that learns crop-specific phenology by explicitly modeling their responses with temporal drivers. Specifically, we develop a crop-aware temporal decoder consisting of a Crop Phenology Bank (CPB) and a Crop Phenology Attention (CPA) module. The CPB integrates a set of learnable embeddings, which leverage a query to guide the CPA module to learn the most relevant phenology patterns for the specific crop. And the CPA module explicitly captures multi-scale trend and variation components to construct temporal contexts, enabling the model to dynamically adjust the attention across different phenological stages. To learn robust and generalizable features for multi-crop prediction, the encoder is initialized with a pre-trained foundation model, and further adapted via a self-supervised Temporal Contrastive Adaptation strategy to align with agricultural temporal dynamics. Extensive experiments conducted on multi-crop datasets indicate that our proposed method significantly outperforms state-of-the-art methods, exhibiting strong generalization capabilities across different regions and crops.
• Abstract（参考訳）: 正確な収穫予測は、持続可能な農業と世界の食料安全保障にとって不可欠である。 既存の手法は主に単一作物の予測のために開発されているが、複雑な気象パターンによって動的に調節される独自の作物の表現学的応答に対処することなく、様々な作物種をまたいだ一般化に苦慮することが多い。 本稿では,その応答を時間的ドライバで明示的にモデル化することで,作物特有の表現学を学習するマルチクロップ収率予測フレームワークであるPhenoYieldNetを提案する。 具体的には,Crop Phenology Bank (CPB) とCrop Phenology Attention (CPA) モジュールからなる作物を意識した時間デコーダを開発する。 CPBは学習可能な埋め込みのセットを統合し、クエリを利用してCPAモジュールをガイドし、特定の作物の最も関連性の高い表現パターンを学習する。 そして、CPAモジュールは、時間的文脈を構築するために、多スケールのトレンドと変動成分を明示的にキャプチャし、異なる現象の段階における注意を動的に調整することを可能にする。 マルチクロップ予測のための堅牢で一般化可能な特徴を学習するために、エンコーダは事前訓練された基礎モデルで初期化され、農業の時間的ダイナミクスに合わせて自己監督型時間的コントラスト適応戦略によってさらに適応される。 マルチクロップデータセットを用いた大規模な実験により,提案手法は最先端の手法よりも優れ,地域や作物にまたがる強力な一般化能力を示すことが示された。

関連論文リスト

• Dual-Prototype Disentanglement: A Context-Aware Enhancement Framework for Time Series Forecasting [5.764294765094398]
  本稿では,予測モデルにパターンの絡み合いとコンテキスト認識適応の能力を持たせるモデル非依存補助手法を提案する。 具体的には、動的デュアルタイプバンク(DDP)を構築し、高頻度傾向や季節パターンを捉えるために、強い時間的先行時間を持つ共通のパターンバンクを構成する。 また,DGLoss(Disentanglement-Guided Loss)を導入し,各プロトタイプバンクが,包括的カバレッジを維持しつつ,指定された役割を担っていることを確認した。
  論文  参考訳（メタデータ） (2026-01-23T10:33:34Z)
• Monte Carlo Tree Diffusion with Multiple Experts for Protein Design [50.056670856059014]
  マスク付き拡散モデルと木探索を統合したMCTD-MEを提案する。 自己回帰型プランナーとは異なり、MCTD-MEはロールアウトエンジンとして生物物理学的な拡散デノナイジングを使用している。 このフレームワークはモデルに依存しず、デノボタンパク質工学や多目的分子生成を含む逆フォールディングを越えて適用できる。
  論文  参考訳（メタデータ） (2025-09-19T09:24:42Z)
• Enhancing Time Series Forecasting via a Parallel Hybridization of ARIMA and Polynomial Classifiers [1.9799527196428246]
  本稿では,ARIMAモデルと分類器を統合するハイブリッド予測手法を提案する。 提案したハイブリッドモデルは,実行時間の増加とともに予測精度が向上するにもかかわらず,個々のモデルよりも一貫して性能が向上する。
  論文  参考訳（メタデータ） (2025-05-11T06:53:19Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)

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。