論文の概要: Can Machine Learning Forecast Rice Yields in Data-Constrained Settings? Satellite Climate Data, National Crop Statistics, and Lessons from Sierra Leone

• arxiv url: http://arxiv.org/abs/2606.13959v1
• Date: Thu, 11 Jun 2026 22:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.673033
• Title: Can Machine Learning Forecast Rice Yields in Data-Constrained Settings? Satellite Climate Data, National Crop Statistics, and Lessons from Sierra Leone
• Title（参考訳）: データ制約条件下での機械学習による米の収量予測は可能か? : シエラレオネの衛星気候データ,国民作物統計,教訓
• Authors: Ibrahim Denis Fofanah,
• Abstract要約: シエラレオネの農業はほとんどデータ主導の意思決定支援なしで運営されている。 機械学習による研究は、その国の作物の収量を調べていない。 現在シエラレオネが保有しているデータから米の収量を予測することができるかどうかを問う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sierra Leone's agriculture operates with almost no data-driven decision support, and no published machine learning study has examined the country's crop yields. We ask whether rice yield can be forecast from data Sierra Leone currently has. Using 25 years of FAOSTAT production data (2000-2024) for nine major crops, we train XGBoost, Gradient Boosting, and Random Forest under a strict anti-leakage protocol with expanding-window walk-forward evaluation across seven held-out years, benchmarked against naive persistence. No model trained on crop statistics alone outperforms persistence. Augmenting with free satellite climate data (CHIRPS rainfall, NASA POWER temperature) reverses this result: a climate-only XGBoost reduces forecast error by one third (RMSE 284 vs 428 kg/ha), a gain that holds for a linear model and is robust to excluding the anomalous 2018 season. Early-season (May-June) rainfall is the dominant predictor, implying seasonal yield risk is observable months before harvest. No model anticipated the 2018 collapse, whose origins were institutional rather than climatic. We translate the findings into policy recommendations for Sierra Leone's Feed Salone Strategy, with a fully open-source pipeline.
• Abstract（参考訳）: シエラレオネの農業は、ほとんどデータ主導の意思決定支援なしで運営されており、機械学習による研究は、国内の作物の収量を調べていない。 現在シエラレオネが保有しているデータから米の収量を予測することができるかどうかを問う。 FAOSTATの生産データ(2000-2024)を9つの主要作物に25年間使用し、厳密な解凍プロトコルの下でXGBoost、Gradient Boosting、Random Forestを訓練し、7年間にわたって風下ウォークフォワードの評価を拡大し、ナイーブな持続性に対してベンチマークした。 作物統計学で訓練されたモデルは、永続性に勝るものではない。 気候のみのXGBoostは予測誤差を3分の1(RMSE 284 vs 428 kg/ha)削減します。 早期シーズン(5月から6月)の降雨が主要な予測要因であり、収穫の数ヶ月前に季節的な収穫リスクが観測可能であることを示唆している。 2018年の崩壊を予想するモデルはなく、その起源は気候ではなく制度的なものであった。 シエラレオネのFeed Salone Strategy(Feed Salone Strategy)のポリシーレコメンデーションに、完全なオープンソースパイプラインを使って、その結果を変換します。

関連論文リスト

• VITA: Variational Pretraining of Transformers for Climate-Robust Crop Yield Forecasting [1.1470070927586018]
  現在のAIモデルは、収穫が歴史的傾向から逸脱した場合、体系的に過小評価される。 大規模な衛星による気象データセットから表現を学習する変分事前学習フレームワークであるVITAを紹介する。 VITAは合衆国のコーンベルトにある733の郡に適用され、トウモロコシと大豆の収量を予測する最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-08-05T15:56:36Z)
• Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data [0.0]
  本研究の目的は,インドにおいて,機械学習による収穫予測モデルがハリフの季節米収量の予測に有効であるかどうかを検討することである。 この手法は、20年間の気候、衛星、米の収量に関する19の機械学習モデルを、インドの米生産地区247地域にわたって訓練することを含む。 その結果, 収量予測の精度は, サンプル外R2, MAE, MAPEそれぞれ0.82, 0.29, 0.16であった。
  論文  参考訳（メタデータ） (2024-03-12T13:31:13Z)
• Innovations in Agricultural Forecasting: A Multivariate Regression Study on Global Crop Yield Prediction [0.0]
  本研究は,27年間で開発途上国37カ国の収量予測に6つの回帰モデルを適用した。 4つの主要な訓練パラメータ, 殺虫剤 (tonnes), 降雨剤 (mm), 温度 (Celsius), 収量 (hg/ha) が与えられた結果, 我々のランダムフォレスト回帰モデルは0.94の判定係数 (r2) を達成した。
  論文  参考訳（メタデータ） (2023-12-04T18:45:28Z)
• 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)
• Self-supervised learning -- A way to minimize time and effort for precision agriculture? [26.087244189340858]
  自己教師付き学習(SSL)は制限を克服し、既存のラベルなしデータを組み込むことができる。 作物型データセットを用いてSSLの実験を行い、教師付き手法と比較した。 実験では,新しいラベルが未知の年で収集されるべきかどうかを明らかにするために,SLLを使用した2018年をラベルなしで予測することに焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-05T10:44:07Z)

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。