論文の概要: Learning to Forecast Crop Growth from Earth Observation Data

• arxiv url: http://arxiv.org/abs/2608.14281v1
• Date: Fri, 14 Aug 2026 13:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.38552
• Title: Learning to Forecast Crop Growth from Earth Observation Data
• Title（参考訳）: 地球観測データから作物の成長を予測するための学習
• Abstract要約: 本研究では,地球観測時系列と気象観測装置を用いて,将来の天蓋形成を国規模で予測できるかどうかを考察する。 我々は,冬のコムギと果樹栽培予測に焦点をあてて,最後のセンチネル2観測を超えた将来の葉面積指数(LAI)の予測を行った。
• 参考スコア（独自算出の注目度）: 1.181507970752055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting crop growth across agricultural landscapes is important for improving the productivity, resilience, and operational management of farming systems. In this work, we investigate whether Earth observation time series and meteorological drivers can be used to predict future canopy development at country scale. We focus on winter wheat and formulate crop growth prediction as forecasting future leaf area index (LAI) trajectories beyond the last available Sentinel-2 observation. We evaluate this task on a multi-year dataset which spans the entire country of Switzerland, containing over 20 million pixel-level Sentinel-2-derived LAI time series paired with meteorological variables. Because cloud cover and revisit gaps leave LAI supervision sparse, models fit the few valid (cloud-free) LAI observations yet oscillate implausibly between them, producing trajectories no real canopy could follow. We introduce a lightweight unimodal shape regulariser which improves trajectory plausibility with negligible loss in accuracy. We compare deep learning sequence-to-sequence (Seq2Seq) models with classic machine learning baselines and show that Seq2Seq models generalise well across years, achieving $\mathrm{R}^2$ above 0.8 and consistently outperforming conventional approaches. Together, these results demonstrate that remote sensing and weather-driven sequence modelling can learn crop growth dynamics at landscape scale. S
• Abstract（参考訳）: 農業の景観にまたがる作物の生育予測は、農業システムの生産性、レジリエンス、運用管理を改善するために重要である。 本研究では,地球観測時系列と気象観測装置を用いて,国規模で将来の天王星の発達を予測できるかどうかを考察する。 我々は,冬のコムギと果樹栽培予測に焦点をあてて,最後のセンチネル2観測を超えた将来の葉面積指数(LAI)の予測を行った。 我々は,スイス全土にまたがる,2000万画素以上のSentinel-2由来のLAI時系列を気象学的変数と組み合わせた多年データセットを用いて,この課題を評価する。 雲の覆いと再視界の隙間は、LAIの監督が疎いため、モデルは有効な(雲のない)LAI観測に適合するが、それらの間には信じられないほど振動し、真の天蓋は追えない。 本稿では, 軌跡の精度を損なうことなく, 軌道の可視性を向上する軽量な一方向整形器を提案する。 ディープラーニングシーケンス・ツー・シーケンス(Seq2Seq)モデルと古典的な機械学習ベースラインを比較し、Seq2Seqモデルが長年にわたってよく一般化し、0.8以上の$\mathrm{R}^2$を達成し、従来手法を一貫して上回ることを示す。 これらの結果から,リモートセンシングと気象駆動シーケンスモデリングが景観スケールで作物の生育動態を学習できることが示唆された。 S

関連論文リスト

• Evaluating and improving crop-yield forecasting methods during extreme drought [1.7849615138738624]
  干ばつは作物の生産に影響を与える極端な出来事であり、様々な予測モデルの限界をテストする。 当社は、2012年の極度の干ばつ年における郡レベルのトウモロコシの収量を予測するために、16の気象要因を予測器として使用しています。 本研究は,列車特徴分布と試験特徴分布の相違が予測モデルに及ぼす影響に光を当て,深層学習モデルと非深層学習モデルを比較し,非深層学習モデルに有効な修正を導入する。
  論文  参考訳（メタデータ） (2026-08-18T16:23:02Z)
• FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar Forecasting [0.0]
  FarSkyは、スカイイメージのタスク認識表現を学習する生成予測フレームワークである。 予測能力は最大11ポイント向上し、決定的かつ確率的な予測性能を最高に達成している。 既存の手法によるランプイベントの検出を大幅に改善し、F1スコアを60%以上達成した。
  論文  参考訳（メタデータ） (2026-08-06T08:32:56Z)
• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Prediction of Sentinel-2 multi-band imagery with attention BiLSTM for continuous earth surface monitoring [0.0]
  本研究では,マルチバンド画像の予測を行うBidirectional Long Short-Term Memory (BiLSTM) ネットワークを用いたフレームワークを提案する。 当社のモデルでは,ユーザ定義の日時に基づいて,クラウドカバーを特徴とする将来の日時や期間など,ターゲット画像の予測を行うことができる。
  論文  参考訳（メタデータ） (2024-06-30T21:07:11Z)
• Combining Satellite and Weather Data for Crop Type Mapping: An Inverse Modelling Approach [23.23933321161625]
  天気(デイメット)と衛星画像(センチネル-2)を組み合わせて正確な作物地図を生成する深層学習モデルを提案する。 提案手法は,スペクトル画像のみに依存する既存のアルゴリズムよりも大幅に改善されていることを示す。 この結果と作物の表現学を関連づけることで,WSTATTが作物の成長の物理的特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-01-29T04:15:22Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。