論文の概要: Cross-Regional Grapevine Cold Hardiness Prediction via Learned Multimodal Latent Representations

• arxiv url: http://arxiv.org/abs/2608.31097v1
• Date: Mon, 31 Aug 2026 17:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.532613
• Title: Cross-Regional Grapevine Cold Hardiness Prediction via Learned Multimodal Latent Representations
• Title（参考訳）: 学習型マルチモーダル潜伏表現によるクロスレギュレーション型グラペビン冷硬度予測
• Abstract要約: 木質植物における冷硬度は、凍結温度が休眠芽を損傷し、季節的な収量を減らす地域において重要である。 既存のバイオ物理モデル、ハイブリッドモデル、ディープラーニングモデルは、ローカルデータに基づいてトレーニングされた場合、高い予測精度を示してきたが、ほとんどはサイト固有のままである。 本稿では,寒冷度予測フレームワークを提案する。このフレームワークは,学習した埋め込みを通して領域固有の変動をキャプチャすることで,伝達可能な潜在表現を学習する。
• 参考スコア（独自算出の注目度）: 12.931265480300715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate daily predictions of cold hardiness in woody plants are critical in regions where freezing temperatures can damage dormant buds and reduce seasonal yield. Existing biophysical, hybrid, and deep learning models have shown high predictive accuracy when trained on local data but remain largely site-specific. The limited availability of cold hardiness data, coupled with the lack of principled methods for transferring cold hardiness predictions to new regions and cultivars, has limited the broader adoption and practical utility of these approaches, particularly in data-scarce regions. To address these limitations, we propose a cold hardiness prediction framework that learns a transferable latent representation by capturing region-specific variation through learned embeddings. To enable prediction in previously unseen regions, we infer embeddings from (1) text descriptions of the cultivar and growing region, and (2) limited historical observations, supporting both zero-shot and few-shot transfer. Experiments on datasets from six regions across North America demonstrate that our approach consistently outperforms state-of-the-art cold hardiness prediction methods, yielding more accurate predictions and substantially improving transfer to data-scarce regions.
• Abstract（参考訳）: 木質植物における寒冷性の正確な日次予測は、凍結温度が休眠芽を損傷し、季節収を減少させる地域において重要である。 既存のバイオ物理モデル、ハイブリッドモデル、ディープラーニングモデルは、ローカルデータに基づいてトレーニングされた場合、高い予測精度を示してきたが、ほとんどはサイト固有のままである。 寒冷性データの可用性が制限され、寒冷性予測を新しい地域や品種に伝達する原則が欠如していることと相まって、これらのアプローチのより広範な採用と実用性、特にデータスカース地域での活用が制限された。 これらの制約に対処するため、我々は、学習した埋め込みを通して領域固有の変動をキャプチャすることで、転送可能な潜伏表現を学習するコールドハードネス予測フレームワークを提案する。 従来は見られなかった地域での予測を可能にするため,(1)品種と生育領域のテキスト記述から埋め込みを推定し,(2)歴史的観察が制限され,ゼロショットと少数ショットの両方の転送がサポートされた。 北米の6地域のデータセットによる実験により、我々のアプローチは最先端の寒冷地予測手法を一貫して上回り、より正確な予測が得られ、データスカース領域への転送を大幅に改善することを示した。

関連論文リスト

• Long-Term Probabilistic Forecast of Vegetation Conditions Using Climate Attributes in the Four Corners Region [0.40022988333495174]
  我々は,高解像度グリッド上での1年間のピークNDVIを予測するための2段階機械学習モデルを開発した。 我々は,NDVIとグリッドベースのNDVIの1年間の予測において,代替手法より優れているオープンソースツールを開発した。
  論文  参考訳（メタデータ） (2026-01-22T22:10:29Z)
• Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction [13.08917874547845]
  寒冷な気候は、そのレジリエンスや、季節を通じて変化する寒冷な硬さによって、果実の収穫物に大きな凍害を引き起こすことがある。 これにより、農夫が高価な凍害対策をいつ導入するかを決めるのに役立つ予測的冷暖化モデルの開発につながった。 残念なことに、モデルトレーニングのためのコールドハードネスデータは、特別な機器や専門知識を必要とするため、一部の果実品種でのみ利用可能である。 本研究では,農家が表現学データを活用してより正確な寒冷環境予測を実現するための移動学習フレームワークであるTransfer via Auxiliary Labels(TAL)を導入する。
  論文  参考訳（メタデータ） (2025-04-17T17:51:38Z)
• Building Machine Learning Limited Area Models: Kilometer-Scale Weather Forecasting in Realistic Settings [8.597348667137577]
  フレキシブルバウンダリ強制法による境界条件付きキロメートルスケール機械学習限定領域モデルを構築するためのフレームワークを提案する。 境界幅,グラフ構築,バウンダリ強制統合など,設計選択の体系的評価を行う。 本研究は,地域気象予報の将来において,機械学習の限られた領域モデルの可能性を示すものである。
  論文  参考訳（メタデータ） (2025-04-12T20:58:02Z)
• Data-driven Seasonal Climate Predictions via Variational Inference and Transformers [31.98107454758077]
  我々は季節予測のための気候モデル出力の生成モデルを訓練する。 気候変動に伴う傾向を超えた年次異常予測における手法の性能分析を行った。
  論文  参考訳（メタデータ） (2025-03-26T11:51:23Z)
• Diffusion-LAM: Probabilistic Limited Area Weather Forecasting with Diffusion [10.905169282633256]
  条件拡散を利用した確率的限定地域気象モデルであるDiffusion-LAMを導入する。 周辺地域の境界データの条件付けにより, 本手法は定義領域内における予測を生成する。 MEPSリミテッド領域データセットの実験結果は、拡散LAMが正確な確率予測をもたらす可能性を実証している。
  論文  参考訳（メタデータ） (2025-02-11T13:15:16Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• 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)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• 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。