論文の概要: Crop Yield Prediction for Punjab, Pakistan: A Tree-Ensemble and Leaf-Health Prototype, and What Random Validation Hides
- arxiv url: http://arxiv.org/abs/2610.07059v1
- Date: Mon, 05 Oct 2026 05:42:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.537278
- Title: Crop Yield Prediction for Punjab, Pakistan: A Tree-Ensemble and Leaf-Health Prototype, and What Random Validation Hides
- Title（参考訳）: パキスタン・パンジャブにおける作物収量予測 : 樹木の収量と葉の健康プロトタイプとランダムバリデーションが隠すもの
- Abstract要約: 私たちはパキスタンのパンジャブで作物収率のプロトタイプを作りました。
ランダムフォレスト、XGBoost、ベクトル回帰をサポートし、リッジスタックのアンサンブルとMobileNetV2のリーフヘルス分類器を組み合わせる。
- 参考スコア（独自算出の注目度）: 0.1274452325287335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Yield forecasts help planners and farmers decide on inputs, storage and imports, but small agricultural tables can make reported accuracy fail on a new season. We built a crop-yield prototype for Punjab, Pakistan that combines Random Forest, XGBoost, support vector regression and a Ridge-stacked ensemble with a MobileNetV2 leaf-health classifier, and deployed it as a web application with SHAP explanations. A random 80/20 split of a merged Kaggle-derived table (414 rows) gives the ensemble an R2 of 0.991. An audit showed that the table contains only 46 independent observations: a join with nine temperature records per year copied every crop-year nine times. Holding out whole years takes XGBoost on the same rows from R2 = 0.994 to -0.20. On deduplicated data, and on a longer FAOSTAT table (1990-2024, 70 observations), a per-crop linear trend (leave-one-year-out RMSE 0.29 Ton/Ha) beats every model not given the year (0.84-1.06). Neither pesticide use nor national temperature change explains the trend residuals. An apparent pesticide gain in the Kaggle table disappears on FAOSTAT, where the pesticide series is mostly imputed and the two releases disagree. An independent district-level wheat panel (36 districts, 13 seasons) shows that most variation in Punjab is spatial and that a district mean with a common trend matches the learned models. The leaf classifier reaches 99.87% accuracy on held-out PlantVillage images and recalls 96.4% of 336 unseen diseased leaves after near-duplicates were removed. However, no leaf image is paired with a yield record, so the health score used in the yield models had to be constructed and adds nothing. We report these negative findings together with the prototype.
- Abstract（参考訳）: 収量予測は、プランナーや農家が入力、貯蔵、輸入を決定するのに役立つが、小さな農業用テーブルは、新しい季節に報告された正確さを失敗させる可能性がある。
我々はパキスタンのパンジャブで、ランダムフォレスト、XGBoost、ベクトル回帰、リッジスタックアンサンブルとMobileNetV2リーフヘルス分類器を組み合わせた作物収率プロトタイプを開発し、SHAPの説明とともにウェブアプリケーションとしてデプロイした。
ケイグルテーブル(414行)をランダムに80/20分割すると、アンサンブルのR2は0.991となる。
調査の結果、このテーブルには46の独立した観測結果しか含まれていないことが判明した。
XGBoost は R2 = 0.994 から -0.20 までの1行に1年を要した。
重複したデータと、より長いFAOSTATテーブル(1990-2024、70の観測)では、一対の線形トレンド(RMSE 0.29 Ton/Ha)が、その年(0.84-1.06)に与えられる全てのモデルを上回っている。
農薬の使用も、国家の温度変化も、その傾向を説明できない。
カグルテーブルの明らかな殺虫剤のゲインはFAOSTATで消失し、そこでは殺虫剤のシリーズが大部分が汚染され、2つのリリースが一致しない。
独立した地区レベルの小麦パネル(36地区、13シーズン)は、パンジャーブのほとんどのバリエーションが空間的であり、共通の傾向が学習モデルと一致することを示している。
葉分類器の精度は99.87%に達し、ほぼ重複した葉が取り除かれた後、336本の未確認葉の96.4%をリコールする。
しかし, 葉のイメージを収率記録と組み合わせることはできないため, 収率モデルで用いられる健康スコアを作らざるを得なかった。
今回,これらの否定的な所見とプロトタイプについて報告する。
関連論文リスト
- Multi-Crop Leaf Disease Recognition: A Unified Benchmark and Cross-Region Study [0.6524460254566904]
作物の葉の病気認識のためのディープラーニングモデルは、通常、ほぼ完璧な精度を報告しますが、通常、1つのデータセットでトレーニングされ、評価されます。
MLD(Multi-crop Leaf Disease)データセットは、米国、アジア、アフリカの6つの公共作物放流データセットを組み合わせた、統一されたマルチリージョンベンチマークである。
階層的定式化 (HiLeaD) により, 作物の病害予測が地域間移動下での認識を向上するか否かを検討する。
論文 参考訳（メタデータ） (2026-10-03T11:46:07Z) - AgroGround: Multi-Granularity Grounded Recognition in Agriculture [2.0068982830917563]
グラウンドド農業認識のための大規模データセットであるAgroGroundを紹介した。
自動パイプラインは、8つの農業用VQAデータセットのラベルを、疾患やオブジェクト全体のアノテーションに変換する。
我々は,1,480個の人物認証画像に対して,予測されたアイデンティティ,領域,関節の正しさ,および健康像の棄却を評価した。
論文 参考訳（メタデータ） (2026-10-03T10:27:47Z) - Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。
本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。
本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
論文 参考訳（メタデータ） (2026-10-02T20:36:22Z) - An Ensemble Deep Learning Approach for Reliable and Scalable Lemon Leaf Disease Classification [0.0]
レモン葉病データセットは1354画像を含む。
データセットはトレーニング(70%)、テスト(15%)、検証(15%)に分割された。
アンサンブルモデルは99.27%の精度で期待できる性能を示した。
論文 参考訳（メタデータ） (2026-06-12T18:15:51Z) - GourNet: A CNN-Based Model for Mango Leaf Disease Detection [1.9573380763700712]
マンゴー葉の感染を識別する「GourNet」という「深層学習」モデルを導入する。
我々は"MangoLeafBD"データセットを使用して、提示されたモデルの有効性をトレーニングし、評価する。
我々のモデルは683,656個の合計パラメータしか使用せず、分類精度は97%である。
論文 参考訳（メタデータ） (2026-04-30T11:53:32Z) - Branched Broomrape Detection in Tomato Farms Using Satellite Imagery and Time-Series Analysis [0.2770822269241974]
枝分かれしたボムラペ(Phelipanche ramosa)は、宿主から栄養素を抽出することによってトマト生産を脅かす。
本稿では,カリフォルニアのトマト畑において,センチネル2画像と時系列解析を用いて,キノコの寄生するトマト畑を識別するエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2025-09-13T03:51:11Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Regularization methods for the short-term forecasting of the Italian
electric load [77.34726150561087]
イタリアの電力負荷の24のプロファイル全体を予測する問題はマルチタスク学習問題として対処される。
96x96行列重みは96x96行列を形成し、正方形の領域にサンプリングされた表面として見ることができる。
表面の自由度を下げるための規則化とスパーシリティの異なるアプローチを探索し、得られた予測をイタリアのトランスミッション・システム・オペレーター・テルナの予測と比較した。
論文 参考訳（メタデータ） (2021-12-08T22:15:06Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - Exact Asymptotics for Learning Tree-Structured Graphical Models with
Side Information: Noiseless and Noisy Samples [75.97774982432976]
我々は、独立に描画されたサンプルからIsing木構造図形モデルを学習する精度を導出する。
サンプルがランダムノイズで観測されるシナリオにまで結果を拡張する。
以上の結果から, 試料径を数百倍に抑える実験結果と有意な一致を示した。
論文 参考訳（メタデータ） (2020-05-09T02:42:40Z)
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。