論文の概要: An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean

• arxiv url: http://arxiv.org/abs/2609.38447v1
• Date: Tue, 29 Sep 2026 19:40:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.658616
• Title: An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean
• Title（参考訳）: 気象駆動型国産作物収量予測のための入力フルーガル深層学習フレームワーク:ブラジル大豆を事例として
• Abstract要約: シーズン内予測は、早期から後期に単調に改善され、最新の予測ポイントではベースラインよりも約50%低い誤差に達する。 ShaPは、収穫年が長期の軌道のほとんどを説明するのに対し、季節内気象と農業環境の文脈は、主に年々変動を引き起こすことを示唆している。
• 参考スコア（独自算出の注目度）: 45.41459301195536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable, timely crop-yield forecasts are essential for market stability and risk management, yet many approaches rely on costly or hard-to-scale inputs. We present a frugal, transferable, and architecture-agnostic deep learning framework that uses routine weather as the only time-varying input plus two lightweight static context inputs (crop year and an agro-environmental label) to capture long-run change and regional heterogeneity, while supporting multiple sequence encoders under identical data requirements. Using a 20-season Brazilian soybean case study (2001/02-2020/21) with leave-one-year-out cross-validation, we benchmark MLP, CNN, LSTM, CNN-LSTM, a Transformer encoder and the Mamba state-space model against linear ridge regression and a five-year moving-average "farmer" baseline. All deep learning variants outperform ridge, and all sequential encoders surpass the non-sequential MLP. The Transformer achieves the best national accuracy (RMSE 149 kg ha^-1; rRMSE 5.3%; R^2 = 0.784), reducing error by 47.6% relative to the farmer baseline. In-season forecasts improve monotonically from early- to late-season issuance, reaching approximately 50% lower error than the baseline at the latest forecast point. Ablations indicate that the agro-environmental label and spatial instance expansion (multiple grid-node weather sequences per municipality-year) contribute positively without increasing input complexity. SHAP diagnostics suggest crop year explains most of the long-run trajectory, whereas within-season weather and agro-environmental context primarily drive interannual deviations, with moisture/cloud and thermal-demand variables dominating. Overall, the framework is straightforward to deploy across other crops and geographic regions and is naturally compatible with operational weather forecasts for routine monitoring.
• Abstract（参考訳）: 市場の安定とリスク管理には信頼性と時間的利回りの予測が不可欠であるが、多くのアプローチは高価でスケールの難しい入力に依存している。 我々は,日常的な天気を唯一の時間変化入力として利用し,また2つの軽量な静的コンテキスト入力(クロップ年とアグロ環境ラベル)を用いて,長期的変化と局所的不均一性を捉えつつ,同一データ要件下で複数のシーケンスエンコーダをサポートするフラガアル,トランスファヤ,アーキテクチャに依存しないディープラーニングフレームワークを提案する。 MLP, CNN, LSTM, CNN-LSTM, Transformer encoderおよびMamba状態空間モデルを用いて, リニアリッジ回帰に対する20シーズンのブラジル大豆ケーススタディ(2001/02-2020/21)と5年間の移動平均"ファーマー"ベースラインをベンチマークした。 すべてのディープラーニング変種はリッジよりも優れ、シーケンシャルエンコーダは非シーケンシャルMPPを超える。 トランスフォーマーは最高の国家精度(RMSE 149 kg ha^-1; rRMSE 5.3%; R^2 = 0.784)を達成し、ファーマーベースラインに対する誤差を47.6%削減する。 シーズン内予測は、早期から後期に単調に改善され、最新の予測ポイントではベースラインよりも約50%低い誤差に達する。 アブレーションは,入力複雑性を増大させることなく,アグロ環境ラベルと空間インスタンス拡張(自治体ごとの複数のグリッドノード気象シーケンス)が肯定的に寄与することが示唆された。 SHAPの診断では、作物の年が長期の軌道の大半を説明するのに対し、季節内気象と農業環境の文脈は、主に湿気/クラウドおよび熱需要変数が支配的な経年変化を引き起こす。 全体として、このフレームワークは、他の作物や地理的地域を簡単にデプロイでき、定期的な監視のための運用天気予報と自然に互換性がある。

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)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data [0.0]
  GNN-RNNとMMST-ViTの2つの最先端ディープラーニングモデルを現実的なアウト・オブ・ディストリビューション条件下でベンチマークする。 GNN-RNNは、地理的シフトの下では正の相関で優れた一般化を示し、MMST-ViTはドメイン内では良好に機能するが、OOD条件下では著しく劣化する。
  論文  参考訳（メタデータ） (2025-10-08T03:27:12Z)
• 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。