論文の概要: Forecasting Weather-Driven Price Dynamics Across Sri Lankan Tea Market Catalogues

• arxiv url: http://arxiv.org/abs/2608.24894v2
• Date: Sat, 29 Aug 2026 09:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.333237
• Title: Forecasting Weather-Driven Price Dynamics Across Sri Lankan Tea Market Catalogues
• Title（参考訳）: スリランカの茶市場カタログにおける気象変動の予測
• Abstract要約: 本研究は,スリランカ茶の4つの主要な茶カタログ,High Grown, Low Grown, Off-Grade, Dustに焦点を当てた。 以上の結果から,市場動態が主要要因である一方で,気象条件にも大きな影響があることが示唆された。 カタログ固有のモデリングは統一アプローチよりも優れており、LightGBMは4つのカタログのうち3つにおいて優れたモデルとして登場している。
• 参考スコア（独自算出の注目度）: 1.4340451629409516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Colombo Tea Auction (CTA) plays a vital role in determining global tea prices, yet the relationship between local weather conditions and price behavior across different tea catalogues has not been thoroughly explored. In this study, we develop a novel, structured dataset by extracting information from 105 weekly broker reports spanning late 2023 to 2026, and combined with region-specific weather data. Our analysis focuses on four main tea catalogues of Sri Lankan tea: High Grown, Low Grown, Off-Grade, and Dust. To better understand the factors influencing tea prices, we apply Granger causality analysis alongside tree-based machine learning models: Random Forest, XGBoost, LightGBM, and Gradient Boosting. Our results show that while market dynamics are primary drivers, weather conditions also have significant effects. Notably, Low Grown tea shows strong sensitivity to precipitation and sunshine duration (p<0.05) across 1-3-week lags. Off-Grade and Dust catalogues also exhibit significant responses to temperature variations. Catalogue-specific modelling outperformed unified approaches, with LightGBM emerging as the superior model for three out of four catalogues. Overall, this study highlights the importance of considering both localized weather patterns and catalogue-level differences when forecasting tea prices, offering a more precise and practical framework for the tea industry.
• Abstract（参考訳）: コロンボ茶オークション(CTA)は、世界的な茶価格決定において重要な役割を担っているが、地域気象条件と異なる茶カタログ間の価格変動の関係は、十分に解明されていない。 本研究では,2023年後半から2026年にかけての105件のブローカーレポートから情報を抽出し,地域別気象データと組み合わせ,新たな構造化データセットを開発した。 分析では,スリランカの茶の4つの主要なカタログ,High Grown, Low Grown, Off-Grade, Dustに焦点を当てた。 茶の価格に影響を与える要因をよりよく理解するために、木に基づく機械学習モデル(ランダムフォレスト、XGBoost、LightGBM、グラディエントブースティング)とともに、グランガー因果分析を適用した。 以上の結果から,市場動態が主要要因である一方で,気象条件にも大きな影響があることが示唆された。 特に低成長茶は1～3週間のラグで降水と日照時間 (p<0.05) に強い感受性を示す。 オフグレードカタログやダストカタログも、温度変化に顕著な反応を示す。 カタログ固有のモデリングは統一アプローチよりも優れており、LightGBMは4つのカタログのうち3つにおいて優れたモデルとして登場している。 本研究は, 茶の価格予測において, 局地的な気象パターンとカタログレベルの差異を両立させることの重要性を強調し, 茶業界にとってより正確かつ実践的な枠組みを提供する。

関連論文リスト

• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification [0.0]
  我々は、いくつかの畳み込みニューラルネットワーク(CNN)モデルを評価し、そのうち3つは顕著な性能を示した。 DenseNet201は99%という高いテスト精度を達成した。 本稿では,茶葉病のリアルタイム診断・管理における深層学習モデルの有用性について述べる。
  論文  参考訳（メタデータ） (2026-04-08T15:11:33Z)
• Reinforcement Learning to Discover a NorthEast Monsoon Index for Monthly Rainfall Prediction in Thailand [0.456877715768796]
  本稿では,冬季モンスーンの気候を反映した海面温度から算出した北東海岸モンスーンの気候指標を紹介する。 計算された領域を最適化するために、深層Qネットワーク学習エージェントは、季節降雨と相関して最も効果的な矩形を探索し、選択する。 実験結果から,短期記憶モデルに最適化された指標は,多くのクラスター地域で長期降雨予測能力を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2026-01-15T08:40:01Z)
• MAUSAM: An Observations-focused assessment of Global AI Weather Prediction Models During the South Asian Monsoon [2.3326724664179985]
  南アジアモンスーンにおけるAI不確実性の測定(MAUSAM:Measuring AI Uncertainty in South Asian Monsoon)について,7つのAIベースの予測システムの評価を行った。 AIモデルは、幅広い変数にわたるモンスーン中の印象的な予測スキルを示しています。 モデルは、極度の降水量の過小予測のような、より微細なスケールで体系的なエラーを示す。
  論文  参考訳（メタデータ） (2025-09-02T01:51:40Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NWP forecasts [1.517355052203938]
  インド夏モンスーン(英語: Indian summer monsoon)は、インド亜大陸にまたがる10億人を超える人々に直接影響する、非常に複雑で重要な気象システムである。 正確な短期予測は、モンスーンの固有の非線形性と、マルチスケールドライバに対する感度のために、大きな科学的課題である。 本研究では,1日と3日の両方のリードタイムに着目し,夏期のインドにおける日降雨予測の問題に対処する。
  論文  参考訳（メタデータ） (2024-02-12T17:59:20Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)

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。