論文の概要: Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation

• arxiv url: http://arxiv.org/abs/2606.09160v1
• Date: Mon, 08 Jun 2026 07:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.817816
• Title: Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation
• Title（参考訳）: 時空間グラフニューラルネットワークとハイブリッド検索による作物推薦・農業検索システム
• Authors: Prajwal Thapa, Yagya Raj Pandeya,
• Abstract要約: 本稿では,先進的な天気予報,作物の推薦,農家への質問応答ツールを統合することで,精密農業を支援する統一システムを提案する。 ネパールの1,359カ所のデータを用いて,今後30日間の気象予報を行うための2つの深層学習モデルを提案する。 システム全体がモバイルアプリケーションを通じてデプロイされ、リアルタイムの提案と会話のサポートを提供する。
• 参考スコア（独自算出の注目度）: 1.0832844764942349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a unified system designed to support precision agriculture by integrating advanced weather prediction, crop recommendation, and a question-answering tool for farmers. We propose two deep learning models -- a Transformer-based Graph Neural Network and a Spatio-Temporal Graph Convolutional Network (STGCN) -- to forecast weather conditions for the next 30 days using data from 1,359 locations in Nepal. The STGCN outperforms the Transformer-based model in accuracy (MSE ~0.011 vs. 0.013), effectively modeling both spatial and temporal dependencies in climate data. These predictions are combined with static soil properties such as pH, moisture, and organic content to generate localized crop recommendations through a scoring algorithm that matches each crop's optimal growing conditions. Additionally, we develop a Retrieval-Augmented Generation (RAG) chatbot that leverages domain-specific agricultural documents to answer farmers' questions in natural language. The entire system is deployed via a mobile application, offering real-time suggestions and conversational support. User feedback confirms the system's usability and relevance, especially in rural settings where personalized farming guidance is limited. Overall, our approach demonstrates how combining machine learning models with local agricultural data can empower farmers with actionable insights, promoting more informed decisions, better crop yields, and increased resilience to climate variability.
• Abstract（参考訳）: 本稿では,先進的な天気予報,作物の推薦,農家への質問応答ツールを統合することで,精密農業を支援する統一システムを提案する。 ネパールの1,359箇所のデータを用いて,今後30日間の気象状況を予測するため,トランスフォーマーベースのグラフニューラルネットワークと時空間グラフ畳み込みネットワーク(STGCN)という2つのディープラーニングモデルを提案する。 STGCNはTransformerベースのモデルよりも精度が高く(MSE ~0.011 vs. 0.013)、気候データにおける空間的および時間的依存関係を効果的にモデル化する。 これらの予測は、pH、水分、有機物などの静的土壌特性と組み合わせて、各作物の最適な生育条件に適合するスコアリングアルゴリズムによって、局所的な作物の推薦を生成する。 さらに、ドメイン固有の農業文書を活用して、自然言語による農民の質問に答える検索型拡張世代(RAG)チャットボットを開発した。 システム全体がモバイルアプリケーションを通じてデプロイされ、リアルタイムの提案と会話のサポートを提供する。 ユーザのフィードバックは、特にパーソナライズされた農業指導が限られている農村環境で、システムのユーザビリティと妥当性を確認する。 全体として、我々のアプローチは、機械学習モデルとローカルな農業データを組み合わせることで、農家に行動可能な洞察を与え、より情報のある意思決定を促進し、作物の収量を改善するとともに、気候変動に対するレジリエンスを高める方法を示している。

関連論文リスト

• A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-19T15:32:08Z)
• KG-FGNN: Knowledge-guided GNN Foundation Model for Fertilisation-oriented Soil GHG Flux Prediction [8.025242423352509]
  精密土壌温室効果ガス(GHG)フラックス予測は, 環境影響の評価, 排出削減戦略の展開, 持続可能な農業の促進に不可欠である。 多くの農場で先進的なセンサーとネットワーク技術が不足しているため、包括的で多様な農業データを取得することは困難である。 本研究では、農業プロセスベースモデルとグラフニューラルネットワーク技術に埋め込まれた知識を統合することにより、上記の課題に対処する知識誘導グラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T21:40:24Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Precision Agriculture Revolution: Integrating Digital Twins and Advanced Crop Recommendation for Optimal Yield [0.3686808512438362]
  天気予報API(アプリケーションプログラミングインタフェース)、GPSモジュール、NPK(窒素、リン、カリウム)土壌センサーや機械学習推奨モデルなどの農業4.0技術は、この概念を通じて農業生産に革命をもたらすことを目指している。 土壌組成、気象力学、地理座標のリアルタイムデータの組み合わせは、作物の推薦モデルをサポートし、水と殺虫剤の管理を改善するための予測シナリオをシミュレートすることを目的としている。
  論文  参考訳（メタデータ） (2025-02-06T13:12:25Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
  本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。 我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-11-11T03:32:44Z)
• 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)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。