論文の概要: Enhanced Agriculture-informed Neural Network by Domain Knowledge

• arxiv url: http://arxiv.org/abs/2609.19466v1
• Date: Wed, 16 Sep 2026 22:13:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.024416
• Title: Enhanced Agriculture-informed Neural Network by Domain Knowledge
• Title（参考訳）: ドメイン知識による農業インフォームドニューラルネットワークの強化
• Abstract要約: 農業におけるニトロス酸化物(N2O)排出量の予測は, 環境影響の評価と持続可能な農業支援に重要である。 ディープラーニングモデルは非線形関係を捉えることができるが、物理的解釈性に欠けることが多く、環境条件によっては一般化が不十分である。 本稿では,農業インフォームドニューラルネットワークを拡張したハイブリッドニューラルネットワークフレームワークである知識強化型農業インフォームドニューラルネットワーク(KAINN)を提案する。
• 参考スコア（独自算出の注目度）: 0.19573380763700718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of nitrous oxide (N2O) emissions from agriculture is important for assessing environmental impacts and supporting sustainable farming. However, prediction remains difficult because N2O emissions result from complex interactions among soil properties, climate, biochemical processes, and management practices, while high-quality observations are limited. Deep learning models can capture nonlinear relationships but often lack physical interpretability and may generalize poorly across environmental conditions. We propose the Knowledge-enhanced Agriculture-informed Neural Network (KAINN), a hybrid neural-mechanistic framework that extends the Agriculture-informed Neural Network by incorporating domain knowledge about fertilizer diffusion, soil respiration, and water-filled porosity. We evaluate KAINN using CNN, LSTM, and Transformer architectures across multiple growing seasons and input-feature configurations. The results show that KAINN generally provides lower root mean square error and mean absolute error and higher R-squared values than purely data-driven models and the original AINN. Analysis of the learned interfaces also shows smoother and more physically consistent parameter trajectories with reduced uncertainty. These findings demonstrate that incorporating environmental knowledge into neural networks can improve the reliability, interpretability, and generalization of agricultural N2O-emission predictions.
• Abstract（参考訳）: 農業から排出される酸化窒素(N2O)の正確な予測は,環境影響の評価と持続可能な農業支援に重要である。 しかし, 土壌特性, 気候, 生化学プロセス, 管理実践の複雑な相互作用によるN2O排出の予測は困難であり, 高品質な観測は限られている。 ディープラーニングモデルは非線形関係を捉えることができるが、物理的解釈性に欠けることが多く、環境条件によっては一般化が不十分である。 本稿では,肥料の拡散,土壌呼吸,水充填ポロシティに関する知識を取り入れたハイブリッドニューラルネットワークであるKAINNを提案する。 我々は,CNN,LSTM,Transformerアーキテクチャを用いたKAINNの評価を行った。 その結果、KAINNは、純粋にデータ駆動モデルや元のAINNよりも、ルート平均二乗誤差が低く、絶対誤差が低く、R二乗値も高いことがわかった。 学習したインタフェースの解析は、不確実性を低減したスムーズで物理的に一貫したパラメータトラジェクトリも示している。 これらの結果から,ニューラルネットワークに環境知識を取り入れることで,農業用N2O排出予測の信頼性,解釈可能性,一般化が向上することが示唆された。

関連論文リスト

• KG-FGNN: Knowledge-guided GNN Foundation Model for Fertilisation-oriented Soil GHG Flux Prediction [8.025242423352509]
  精密土壌温室効果ガス(GHG)フラックス予測は, 環境影響の評価, 排出削減戦略の展開, 持続可能な農業の促進に不可欠である。 多くの農場で先進的なセンサーとネットワーク技術が不足しているため、包括的で多様な農業データを取得することは困難である。 本研究では、農業プロセスベースモデルとグラフニューラルネットワーク技術に埋め込まれた知識を統合することにより、上記の課題に対処する知識誘導グラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T21:40:24Z)
• Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
  薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
  論文  参考訳（メタデータ） (2025-05-13T09:08:47Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• KAN You See It? KANs and Sentinel for Effective and Explainable Crop Field Segmentation [16.358846714992893]
  本稿では,Sentinel-2 と Sentinel-1 の衛星画像を用いて,Kan 層を U-Net アーキテクチャ (U-KAN) に統合して作物畑の分割を行う。 以上の結果より,従来の完全畳み込み型U-Netモデルに比べて,GFLOPが2%改善したことが示唆された。
  論文  参考訳（メタデータ） (2024-08-13T17:07:29Z)
• Corn Yield Prediction Model with Deep Neural Networks for Smallholder Farmer Decision Support System [0.0]
  作物の収量予測は、気象変数と土壌変数の相互作用がないという仮定に基づいてモデル化されている。 本稿では、相互作用の存在を論じ、Kendall相関係数を用いて微細にモデル化することができる。 提案したトウモロコシ収量モデルの目的は、小作農が賢く知的に養殖できるようにすることである。
  論文  参考訳（メタデータ） (2024-01-08T09:47:19Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。