論文の概要: A Survey on Data-Driven Models for Soil Moisture Regression and Classification

• arxiv url: http://arxiv.org/abs/2606.18316v1
• Date: Tue, 16 Jun 2026 11:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.818145
• Title: A Survey on Data-Driven Models for Soil Moisture Regression and Classification
• Title（参考訳）: 土壌水分の回帰と分類のためのデータ駆動モデルの検討
• Authors: Ilektra Tsimpidi, George Georgoulas, Vidya Sumathy, George Nikolakopoulos,
• Abstract要約: 本研究は,土壌水分の推定と分類のためのAIモデルの構造的調査である。 既存のアプローチは、統計時系列モデル、統計学的手法、古典的機械学習(ML)モデル、ディープラーニング(DL)モデル、確率的/ベイズ的手法の5つのカテゴリに分けられる。 これらのモデルは、過去の土壌の水分記録、気象変数、植生指標、地形、土壌特性、地形データを利用して回帰や分類を行う。
• 参考スコア（独自算出の注目度）: 12.10955156131371
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soil Moisture (SM) modelling constitutes a complex spatiotemporal learning problem characterised by nonlinear environmental interactions, heterogeneous data sources, and limited ground observations. Physics-based approaches, such as water balance models, rely on explicit hydrological equations and high-quality inputs, but their computational cost and scalability limitations restrict large-scale deployment. Data-driven artificial intelligence (AI) methods have emerged as flexible alternatives, enabling the extraction of empirical relationships between soil moisture and environmental variables with reduced modelling assumptions. This work presents a structured survey of AI-based models for soil moisture estimation and classification. Existing approaches are organized into five categories: (a) statistical time-series models, (b) geostatistical methods (c) classical machine learning (ML) models, (d) Deep Learning (DL) models and (e) Probabilistic/Bayesian methods. These models leverage historical soil moisture records, meteorological variables, vegetation indices, topography, soil characteristics, and geolocation data to perform regression or classification tasks.
• Abstract（参考訳）: 土壌水分モデル (SM) は, 非線形環境相互作用, 不均一なデータ源, 限られた地上観測によって特徴づけられる複雑な時空間学習問題を構成する。 水収支モデルのような物理ベースのアプローチは、明示的な水文方程式と高品質な入力に依存しているが、計算コストとスケーラビリティの制限は大規模展開を制限している。 データ駆動型人工知能(AI)法は、土壌水分と環境変数の間の経験的関係の抽出を可能にする柔軟な代替手段として登場した。 本研究は,土壌水分の推定と分類のためのAIモデルの構造的調査である。 既存のアプローチは5つのカテゴリに分けられる。 (a)統計時系列モデル b) 統計学的方法 (c)古典的機械学習(ML)モデル (d)ディープラーニング(DL)モデル及びモデル (e)確率的/ベイズ的方法。 これらのモデルは、過去の土壌の水分記録、気象変数、植生指標、地形、土壌特性、地形データを利用して回帰や分類を行う。

関連論文リスト

• Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
  拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。 本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。 また、スコア関数の構造と多様体曲率の相互作用も強調する。
  論文  参考訳（メタデータ） (2026-03-21T04:40:19Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Topological Approach for Data Assimilation [0.4972323953932129]
  トポロジカルデータ解析の基礎となる新しいデータ同化アルゴリズムを提案する。 パーシステンス関数の微分可能性を活用することにより、勾配勾配最適化は、測定と予測予測の間の位相的差を最小限に抑えるために用いられる。
  論文  参考訳（メタデータ） (2024-11-12T20:24:46Z)
• Approaches for enhancing extrapolability in process-based and data-driven models in hydrology [0.16735447464058464]
  本稿では,プロセスベースおよびデータ駆動型水文モデルにおける外挿可能性の評価・向上手法をレビューし,比較する。 主要な戦略は、未ゲージ領域におけるモデルパフォーマンスを評価するために、残余のクロスバリデーションと類似性に基づく手法の使用である。 ディープラーニング、トランスファーラーニング、ドメイン適応技術も、データスパースおよび極端な条件下でモデル予測を改善する可能性を約束している。
  論文  参考訳（メタデータ） (2024-08-13T17:59:24Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Differentiable, learnable, regionalized process-based models with physical outputs can approach state-of-the-art hydrologic prediction accuracy [1.181206257787103]
  地域化パラメータ化を伴う集中観測変数(ストリームフロー)に対するLSTMの性能レベルに、微分可能で学習可能なプロセスベースモデル(デルタモデルと呼ばれる)がアプローチ可能であることを示す。 我々は、単純な水理モデルHBVをバックボーンとして使用し、組み込みニューラルネットワークを使用します。
  論文  参考訳（メタデータ） (2022-03-28T15:06:53Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Integrating Domain Knowledge in Data-driven Earth Observation with Process Convolutions [13.13700072257046]
  両アプローチを組み合わせたハイブリッド学習方式は,これらの問題を効果的に解決できると論じる。 具体的には,時系列モデリングにおける遅延力モデル (LFM) と呼ばれるGP畳み込みモデルのクラスを提案する。 アクティブ(ASCAT)およびパッシブ(SMOS, AMSR2)マイクロ波衛星からの土壌水分の時系列を考察する。
  論文  参考訳（メタデータ） (2021-04-16T14:30:40Z)

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。