論文の概要: AgroSense 2.0: Cross-Modal Transformer Fusion with Geospatial Raster Integration and Interpretable Multi-Task Learning for Precision Crop Recommendation

• arxiv url: http://arxiv.org/abs/2606.21892v1
• Date: Sat, 20 Jun 2026 05:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 02:24:23.921663
• Title: AgroSense 2.0: Cross-Modal Transformer Fusion with Geospatial Raster Integration and Interpretable Multi-Task Learning for Precision Crop Recommendation
• Title（参考訳）: AgroSense 2.0: 精密作物推薦のための地理空間ラスター統合と解釈可能なマルチタスク学習を備えたクロスモーダルトランスフォーマー融合
• Authors: Vishal Pandey, Rishav Tewari, Ruzina Haque Laskar,
• Abstract要約: AgroSense2.0はより原理的で、解釈可能で、精密農業の基盤となるフレームワークである。 まず,インドにまたがる7バンド土壌を通した大陸規模の地理空間統合について紹介する。 第二に、機能結合をモダル変換器融合モジュールに置き換える。 第3に、土壌分類と作物の推薦を協調的に最適化するマルチタスク目標を採用する。
• 参考スコア（独自算出の注目度）: 0.5599792629509229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crop recommendation systems in precision agriculture have long suffered from a fundamental modality gap: visual soil characterization and chemical nutrient profiling are typically treated as independent inference problems, with fusion often reduced to late-stage feature concatenation. AgroSense~2.0 addresses this limitation through three architectural advances. First, we introduce continental-scale geospatial integration via a seven-band soil raster (\texttt{india\_soil\_7bands.tif}) spanning India, encoding Nitrogen, pH, SOC, Clay, Sand, Silt, and Bulk Density as $32\times32$ spatial patches, a modality entirely absent from prior work. Second, we replace naive feature concatenation with a cross-modal Transformer fusion module, where tabular nutrient features attend over image representations via multi-head attention, enabling richer inter-modal dependency modeling than shallow fusion. Third, we adopt a multi-task objective jointly optimizing soil classification and crop recommendation through a shared backbone, improving generalization via complementary cross-task signal. To enhance interpretability, we apply TreeSHAP to the tabular branch, revealing crop-conditioned nutrient sensitivity: humidity and rainfall emerge as the most influential features globally, while crop-specific profiles diverge meaningfully rainfall dominates rice, nitrogen and potassium dominate maize, and humidity and nitrogen dominate coffee. These explanations provide transparency into model decisions and surface both agronomically consistent patterns and dataset-specific divergences worth further study. Together, these contributions establish AgroSense~2.0 as a more principled, interpretable, and geospatially grounded framework for precision agriculture.
• Abstract（参考訳）: 視覚的土壌の特徴と化学的栄養素のプロファイリングは、一般的に独立した推論問題として扱われるが、融合はしばしば後期の特徴結合に還元される。 AgroSense~2.0は、3つのアーキテクチャ上の進歩を通じてこの制限に対処する。 まず,インドにまたがる7バンド土壌ラスター (\texttt{india\_soil\_7bands.tif}) を通じて大陸規模の地理空間統合を導入し,Nitrogen, pH, SOC, Clay, Sand, Silt, Bulk Densityを32\times32$空間パッチとして符号化した。 第2に,多面的注意による画像表現に表層栄養的特徴が関与し,浅層核融合よりもモーダル間依存性のモデリングをよりリッチに行えるようにした,クロスモーダルトランスフォーマー融合モジュールを,ナイーブ特徴結合に置き換える。 第3に,共用バックボーンを用いて土壌分類と作物の推薦を共同最適化し,補完的なクロスタスク信号による一般化を向上する。 作物固有の降雨プロファイルは水稲, 窒素, カリウムがトウモロコシを支配し, 湿度と窒素がコーヒーを支配している。 これらの説明は、モデル決定の透明性を提供し、農業的に一貫したパターンと、さらなる研究に値するデータセット固有の分岐の両方を表面化する。 これらの貢献により、AgroSense~2.0はより原理的で、解釈可能で、地理的に根ざした精密農業の枠組みとして確立された。

関連論文リスト

• Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
  テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。 マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。 Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
  論文  参考訳（メタデータ） (2025-11-28T09:52:44Z)
• Invariant Features for Global Crop Type Classification [5.330800669964927]
  CropGlobeは地球規模の作物型データセットで、5大陸8カ国から30万ピクセルのサンプルを収集している。 CropGlobeは広い範囲をカバーし、クロスカントリー、クロス大陸、クロス半球移動の下で体系的な評価を可能にする。 CropNetは、ピクセルレベルの作物分類に適した軽量で堅牢なCNNである。
  論文  参考訳（メタデータ） (2025-09-03T17:28:33Z)
• DFYP: A Dynamic Fusion Framework with Spectral Channel Attention and Adaptive Operator learning for Crop Yield Prediction [18.24061967822792]
  DFYPは、作物収量予測のための新しい動的融合フレームワークである。 スペクトルチャネルアテンション、エッジ適応空間モデリング、学習可能な融合機構を組み合わせる。 DFYPはRMSE、MAE、R2の最先端ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-08T10:24:04Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• MaizeField3D: A Curated 3D Point Cloud and Procedural Model Dataset of Field-Grown Maize from a Diversity Panel [12.89812013060155]
  そこで本研究では,多種多様な遺伝子パネルから3次元点群を解析した。 MaizeField3Dは、AIによる表現型化、植物構造解析、農業研究における3D応用のための基礎的なデータセットとして機能する。
  論文  参考訳（メタデータ） (2025-03-10T19:53:20Z)
• Tackling fluffy clouds: robust field boundary delineation across global agricultural landscapes with Sentinel-1 and Sentinel-2 Time Series [1.0251998687197121]
  PTAViT3Dは3次元時系列衛星画像の処理に特化して設計されたディープラーニングアーキテクチャである。 また,PTAViT3Dモデルの拡張であるPTAViT3D-CAを提案する。 この結果から, 優れたグローバルトランスファービリティとロバスト性を示した。
  論文  参考訳（メタデータ） (2024-09-20T15:10:04Z)
• Dual Attribute-Spatial Relation Alignment for 3D Visual Grounding [59.600122444681524]
  3Dビジュアルグラウンドティング(3D visual grounding)は、3D物理世界と自然言語を結びつける研究分野である。 本稿では,DASANet,Dual Attribute-Spatial Relationed Networkを提案する。 提案手法は,Nr3Dデータセットにおいて,最強の競合相手よりも1.3%高い65.1%の接地精度を実現する。
  論文  参考訳（メタデータ） (2024-06-13T08:06:57Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)

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。