論文の概要: Embedding NDRE Trajectories into Contrastive Learning for Label-Free, Physiology-Aware Crop-Stress Staging and DSS Outputs
- arxiv url: http://arxiv.org/abs/2608.25888v1
- Date: Wed, 26 Aug 2026 15:01:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.874631
- Title: Embedding NDRE Trajectories into Contrastive Learning for Label-Free, Physiology-Aware Crop-Stress Staging and DSS Outputs
- Title（参考訳）: NDREトラジェクトリをラベルなし, 生理に配慮した作物ストレッチステージングとDSS出力のコントラスト学習に組み込む
- Abstract要約: EigenCLは、Sentinel-2 NDRE軌道からの作物のストレスを発生させる生理学誘導型コントラスト学習フレームワークである。
2020年にアイオワ州の干ばつの影響を受けた畑から1万本のNDREパッチをマイズし、2023年にネブラスカ州で再訓練することなく試験を行った。
4つの生理学的にコヒーレントなストレスクラスター(ヘルス、マイルド、モデレート、セーヴル)を発生させ、ベースラインを著しく上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Timely detection of crop stress is critical for sustaining yields under increasing drought frequency, yet conventional vegetation index thresholds or image-based clustering often fail to capture stress progression, limiting their value for farm decision-making. To address this gap, we present EigenCL, a physiology-guided contrastive learning framework that stages crop stress from Sentinel-2 NDRE trajectories, with the goal of providing interpretable and transferable stress diagnostics for decision support systems (DSS). EigenCL was trained on 10,000 maize NDRE patches from drought-affected Iowa fields in 2020 and tested on Nebraska fields in 2023 without retraining, with validation incorporating soil-moisture records, U.S. Drought Monitor maps, and county-level yield statistics. The model produced four physiologically coherent stress clusters (Healthy, Mild, Moderate, Severe), significantly outperforming baselines including K-Means, SimCLR, ProtoCLR, and an ablation model (Silhouette = 0.748, DBI = 0.35, CHI = 49,624). Clusters aligned with maize growth stages, with severe stress peaking around tasseling-silking (VT-R1), a stage known to drive yield loss; moreover, EigenCL clusters correlated with soil moisture at 0-14-day lags (rho up to 0.72) and matched yield anomalies in drought-affected counties. By embedding NDRE trajectory dynamics into contrastive learning, EigenCL enables early stress alerts and interpretable DSS outputs (e.g., heatmaps, scouting priorities, regional risk indices), extending beyond single-date NDRE thresholds and supporting scalable monitoring for climate-smart agronomy.
- Abstract（参考訳）: 収穫ストレスのタイムリーな検出は、干ばつ頻度の増加下で収量を維持するために重要であるが、従来の植生指数の閾値や画像に基づくクラスタリングは、しばしばストレスの進行を捉えず、農場の意思決定の価値を制限している。
このギャップに対処するため、我々はSentinel-2 NDREトラジェクトリから作物のストレスを発生させる生理的指導によるコントラスト学習フレームワークであるEigenCLを紹介し、意思決定支援システム(DSS)に解釈可能かつ伝達可能なストレス診断を提供することを目標としている。
EigenCLは、2020年に干ばつの影響を受けたアイオワ州の畑から1万のトウモロコシのNDREパッチを訓練し、2023年にネブラスカ州で再訓練することなく試験を行った。
このモデルは、K-Means、SimCLR、ProtoCLR、およびアブレーションモデル(Silhouette = 0.748、DBI = 0.35、CHI = 49,624)を含む4つの生理的コヒーレントなストレスクラスター(Healthy, Mild, Moderate, Severe)を作成した。
さらに, 土壌水分と0-14日間のラグ (0-72日) で相関し, 干ばつの影響を受けた郡の収量異常と一致した。
対照的な学習にNDREトラジェクトリダイナミクスを組み込むことで、EigenCLは早期のストレスアラートと解釈可能なDSS出力(例えば、ヒートマップ、スカウトの優先順位、地域リスク指標)を可能にし、単一の日付のNDREしきい値を超えて拡張し、気候のスマートな農業のスケーラブルなモニタリングをサポートする。
関連論文リスト
- Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。
既存の方法はPBSに対して限られた有効性を示した。
PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
論文 参考訳（メタデータ） (2026-08-01T08:13:20Z) - Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。
衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文 参考訳（メタデータ） (2026-07-08T18:14:24Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - A Dynamic Learning Observatory Reveals the Rapid Salinization of Satkhira, Bangladesh [1.5469452301122175]
本研究は,佐渡平地区における土壌塩分濃度の予測とマップ化のための機械学習に基づくフレームワークを開発した。
2024-2025年に収集された合計205個の土壌サンプルを用いて、極勾配ブーピングモデルを訓練した。
植生指標,特にNDVIは塩分濃度関連スペクトル指標とともに重要な予測因子として同定された。
論文 参考訳（メタデータ） (2026-04-25T03:49:04Z) - STAG-CN: Spatio-Temporal Apiary Graph Convolutional Network for Disease Onset Prediction in Beehive Sensor Networks [0.0]
ハチのコロニーの被害は世界の受粉サービスを脅かすが、現在の監視システムはそれぞれの巣を孤立した単位として扱う。
本稿では,病気発生予測のための階層間関係をモデル化するグラフニューラルネットワークである,時空間グラフ畳み込みネットワーク(STAG-CN)を紹介する。
論文 参考訳（メタデータ） (2026-03-15T16:13:01Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress [4.890986949786707]
水ストレス下での作物表層バイオマス(AGB)の予測は、作物のモニタリング、灌水誘導、耐気候性農業の支援に重要である。
データ駆動モデルはよくスケールするが、しばしば解釈可能性や分散シフト時の劣化が欠落する。
本稿では, プロセスインフォームドニューラルネットワークであるAgriNPINを提案する。
論文 参考訳（メタデータ） (2026-01-22T15:20:00Z) - 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) - Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning [0.0]
EigenCLは、時間的NDREダイナミクスによってガイドされる教師なしのコントラスト学習フレームワークである。
データスカース農業環境における実世界の展開に適している。
論文 参考訳（メタデータ） (2025-06-03T21:06:26Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - 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。