論文の概要: Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2607.22875v1
• Date: Fri, 24 Jul 2026 19:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.91677
• Title: Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks
• Title（参考訳）: グラフアテンションネットワークを用いた土壌ミクロ塑性と有機物の空間予測
• Abstract要約: 本研究では、グラフ注意ネットワーク(GAT)を用いたグラフに基づく深層学習手法を用いて、91の土壌サンプル間の空間依存性をモデル化する。 最終モデルは高い性能を示し、625.06(R2 = 0.87$)のマイクロプラスチック、0.43(R2 = 0.91$)の有機物が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of soil microplastics and organic matter is essential to assess ecosystem health and support sustainable land use. This study presents a graph-based deep learning approach using Graph Attention Networks (GATs) to model spatial dependencies among 91 georeferenced soil samples. By incorporating spatial coordinates, soil properties, and land use data, a two-layer GAT architecture was developed to capture local interactions. The final model showed strong performance, achieving RMSEs of 625.06 ($R^2 = 0.87$) for microplastics and 0.43 ($R^2 = 0.91$) for organic matter. However, cross-validation results revealed limited generalization, probably due to the small sample size and sparse graph structure. These findings demonstrate the potential of GATs for spatial soil prediction and underscore the need for dense datasets and improved graph connectivity.
• Abstract（参考訳）: 土壌の微生物や有機物の正確な評価は,生態系の健全性を評価し,持続可能な土地利用を支援するために不可欠である。 本研究では、グラフ注意ネットワーク(GAT)を用いたグラフに基づく深層学習手法を提案する。 空間座標, 土壌特性, 土地利用データを組み合わせることにより, 局所的な相互作用を捉えるための2層GATアーキテクチャを開発した。 最終モデルは高い性能を示し、625.06 (R^2 = 0.87$) のマイクロプラスチック、0.43 (R^2 = 0.91$) の有機物が得られた。 しかし、クロスバリデーションの結果は、おそらく小さなサンプルサイズとスパースグラフ構造のために、限定的な一般化が示された。 これらの結果は、空間的土壌予測のためのGATの可能性を示し、高密度データセットの必要性とグラフ接続性の向上を裏付けるものである。

関連論文リスト

• Predicting Groundwater Arsenic Concentrations Using Graph Neural Networks [2.1521364454860525]
  地下水中のヒ素汚染は、アメリカ合衆国における長年の公衆衛生上の危機を招いている。 高リスク領域を特定するには,ヒ素濃度の正確な空間的予測が不可欠である。
  論文  参考訳（メタデータ） (2026-07-02T20:51:04Z)
• SEAGAN: domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes [0.0]
  鍵となる例として、A-Ci曲線があり、これは純CO2同化率(Anet)と葉の細胞間CO2濃度(Ci)を関連付ける。 正確な推定には、各曲線点における活性な生化学的制限状態の正確な同定が必要である。 ここでは、A-Ci曲線の極限状態同定をグラフベースのノード分類問題として表現する。
  論文  参考訳（メタデータ） (2026-06-17T22:04:24Z)
• Seeing Soil from Space: Towards Robust and Scalable Remote Soil Nutrient Analysis [0.0]
  本研究では、農地の土壌特性を推定するための堅牢でスケーラブルなモデリングシステムを提案する。 このシステムは、プロキシとドライバを介して土壌を間接的にモデル化する手法と、直接スペクトルモデリングを組み合わせたハイブリッド・モデリング・アプローチを採用している。 本システムは,多種多様な気候帯にまたがる欧州の耕作地を対象とする調和データセットで検証する。
  論文  参考訳（メタデータ） (2025-12-10T12:08:55Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Prediction of soil fertility parameters using USB-microscope imagery and portable X-ray fluorescence spectrometry [3.431158134976364]
  本研究では, 可搬型蛍光X線分析法と土壌画像解析による土壌の高速肥育性評価について検討した。 インド東部の多様な農業気候帯から採取した1,133個の土壌サンプルを分析した。
  論文  参考訳（メタデータ） (2024-04-17T17:57:20Z)
• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
  本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
  論文  参考訳（メタデータ） (2020-12-07T07:56:11Z)

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。