論文の概要: Multi-Step Forecasting of Grape Berry Temperature based on LSTM Model with Feed-Forward Attention

• arxiv url: http://arxiv.org/abs/2608.29008v1
• Date: Sat, 29 Aug 2026 02:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.814782
• Title: Multi-Step Forecasting of Grape Berry Temperature based on LSTM Model with Feed-Forward Attention
• Title（参考訳）: フィードフォワードを考慮したLSTMモデルに基づくグレープベリー温度のマルチステップ予測
• Abstract要約: FAM-LSTMはLong Short-Term Memory Network (FAM-LSTM)と統合されたフィードフォワードアテンション機構である モデルは2023年と2024年の環境データを用いて、アメリカ合衆国のプロッサーで訓練され、2025年の夏のデータに基づいて検証された。 FAM-LSTMは全ての地平線と入力シナリオでベンチマークモデルを一貫して上回った。
• 参考スコア（独自算出の注目度）: 0.39146761527401436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of grape berry temperature (Tb) is essential for enabling timely heat stress management in vineyards. In this study, a feed-forward attention mechanism integrated with a Long Short-Term Memory network (FAM-LSTM) was developed and evaluated for multi-step, high-resolution Tb prediction. Models were trained using environmental data from 2023 and 2024 at Prosser, WA, USA, and validated on 2025 summer data. FAM-LSTM was benchmarked against LSTM, GRU, RNN, and Random Forest (RF) across horizons ranging from 15 minutes to 72 hours (288 time steps). Two input scenarios were evaluated: nearest open-field weather station observations and in-vineyard microclimate measurements. FAM-LSTM consistently outperformed all benchmark models across all horizons and input scenarios. Incorporating in-vineyard microclimate data significantly improved forecasting accuracy at longer horizons. Using open-field data, FAM-LSTM achieved MAE and RMSE ranges of 0.58 to 1.70 deg C and 0.65 to 2.07 deg C, respectively. In-vineyard observations further improved performance, with MAE and RMSE in the ranges of 0.51 to 1.55 deg C and 0.71 to 1.87 deg C. Error analysis showed prediction uncertainty was highest during peak daytime periods (11:00 to 18:00) and increased progressively with forecast horizon. Overall, the FAM-LSTM framework offers robust Tb forecasting to support precision heat stress management in vineyards.
• Abstract（参考訳）: ブドウ果肉の温度(Tb)の正確な予測は、ブドウ畑におけるタイムリーな熱ストレス管理を可能にするために不可欠である。 本研究では,FAM-LSTM(Long Short-Term Memory Network)と統合したフィードフォワードアテンション機構を開発し,マルチステップ高分解能Tb予測のための評価を行った。 モデルは2023年と2024年の環境データを用いて、アメリカ合衆国のプロッサーで訓練され、2025年の夏のデータに基づいて検証された。 FAM-LSTMは、LSTM、GRU、RNN、ランダムフォレスト(RF)に対して15分から72時間(288タイムステップ)にわたってベンチマークされた。 2つの入力シナリオが評価された: 最寄りのオープンフィールド気象観測とビンヤード内微小気候測定。 FAM-LSTMは全ての地平線と入力シナリオでベンチマークモデルを一貫して上回った。 ブドウ園内の微小気候データを組み込むことで、より長い地平線での予測精度が大幅に向上した。 FAM-LSTMはオープンフィールドデータを用いて、それぞれ0.58から1.70デグC、0.65から2.07デグCのMAEとRMSEの範囲を達成した。 日中ピーク(11:00～18:00)に予測の不確かさが最大であり, 予測地平線とともに徐々に増大した。 全体として、FAM-LSTMフレームワークは、ブドウ畑における精密な熱応力管理を支援するために、堅牢なTb予測を提供する。

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)
• Exploratory Analysis of Deep Learning Models for Forecasting Meteorological Parameters in the Agricultural Sector [0.0]
  この分析は、2011年1月から2026年4月にかけて、ギリシャのイオアニーナから134,376時間にわたって観測された。 最も効果的な純粋なリカレントモデルは、24時間水平線用64ユニットLSTM、WQSは0.816755、WQSは0.779465である168時間水平線用1024ユニットGRUである。 ハイブリッドCNN-GRUは、24時間と168時間の地平線で0.827535と0.782863のスコアを得たが、それぞれ追加のユニット数があった。
  論文  参考訳（メタデータ） (2026-07-11T08:39:20Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Meteorology-Driven GPT4AP: A Multi-Task Forecasting LLM for Atmospheric Air Pollution in Data-Scarce Settings [4.364999214109123]
  事前訓練GPT-2バックボーンとガウスランク安定化低ランク適応(rsLoRA)に基づく大気汚染のための気象駆動型GPT(GPT4AP) モデルは、数ショット、ゼロショット、長期予測設定の下で6つの実世界の空気質監視データセットで評価される。
  論文  参考訳（メタデータ） (2026-03-31T16:37:06Z)
• A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity [0.0]
  本研究は,中国重慶市の大気温度と相対湿度を予測する機械学習モデル7つを比較した。 XGBoostは、テスト平均絶対誤差(MAE)が0.302Cで、相対湿度が1.271%である。
  論文  参考訳（メタデータ） (2026-03-24T14:47:52Z)
• Time Series Foundation Models for Energy Load Forecasting on Consumer Hardware: A Multi-Dimensional Zero-Shot Benchmark [0.0]
  Time Series Foundation Models (TSFM) はタスク固有のトレーニングを回避できるゼロショット予測機能を導入した。 本稿では,業界標準ベースラインと2つの統計基準として,Prophetとともに4つのTSFMを評価するベンチマークを提案する。 すべての実験は、コンシューマグレードのハードウェア(AMD 7, 16GB RAM、GPUなし)で実行される
  論文  参考訳（メタデータ） (2026-02-11T13:34:16Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers [0.0]
  我々はCMAViT(Climate-Management Aware Vision Transformer)と呼ばれる深層学習に基づくマルチモデルを導入する。 CMAViTは、リモートセンシング画像と短期気象データを活用することにより、空間データと時間データの両方を統合する。 UNet-ConvLSTMのような従来のモデルよりも優れ、空間的変動のキャプチャと収差予測に優れています。
  論文  参考訳（メタデータ） (2024-11-25T23:34:53Z)
• 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)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)

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。