論文の概要: From extreme weather to agricultural consequences with agentic AI

• arxiv url: http://arxiv.org/abs/2610.40641v1
• Date: Thu, 29 Oct 2026 17:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.135932
• Title: From extreme weather to agricultural consequences with agentic AI
• Title（参考訳）: エージェントAIによる極端気象から農業への影響
• Abstract要約: 我々は、物理的に解釈可能な気象指標から農業の危険を判断する最初のエージェントであるWxCropを紹介する。 フロリダ州では、ハリケーン、凍結、乾燥熱について、各保険記録を基準とした損失モデルを用いて実証した。 ユーザーは、各作物群の損失を期待される季節価値のごく一部としてエージェントに尋ねる。
• 参考スコア（独自算出の注目度）: 7.734713569509623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme weather is forecast days ahead, yet its consequences for agriculture remain hard to predict: a forecast says where a storm will strike, not which crops will suffer or how much is at risk, and the records that could tell span many sources. We present WxCrop, the first agent that judges agricultural hazards from physically interpretable weather indices examined by causal analysis, and the first that combines weather and agricultural information to predict crop loss reliably for past and forecast dates. We demonstrate it in Florida on hurricanes, freezes and dry heat, with a loss model calibrated on insurance records for each, and the same procedure extends to other hazards and areas. Three checks show reliability: the hurricane index detects recorded cyclone days with an AUC of 0.98, recorded losses in held-out years are reproduced to within 2%, and independent production records confirm the county rankings (rank correlation 0.63). Users ask the agent for each crop group's loss as a fraction of expected season value, every number sourced, so that governments, growers and scientists respond to agricultural disasters quickly.
• Abstract（参考訳）: 予測では、どの作物が苦しむのか、どれくらいの危険があるのか、多くの情報源で記録されている。 WxCropは、因果解析によって検証された物理的に解釈可能な気象指標から農業被害を判断する最初のエージェントであり、気象情報と農業情報を組み合わせて過去の収穫量と予測日数を確実に予測する最初のエージェントである。 フロリダ州では、ハリケーン、凍結、乾燥熱で、各保険記録を基準とした損失モデルが示され、同様の手順が他の危険や地域にも及んでいる。 ハリケーン指数はAUC0.98で記録されたサイクロン日を検知し、保留年数で記録された損失を2%以内に再現し、独立生産記録は郡のランキングを確認する(ランク相関0.63)。 ユーザーは各作物集団の損失を期待される季節的価値のごく一部として求め、政府、農業従事者、科学者が農業災害に迅速に対応できるようにする。

関連論文リスト

• Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models [0.3186130813218338]
  乗組員配置において,予測リード時間が障害予測の価値にどのように影響するかを検討した。 予測は、乗組員が実行される郡によって捕獲された停止負担のシェアによって評価された。 要求されたすべての乗組員による初期の配備は、後期配備よりも少ない性能で性能を上げた。
  論文  参考訳（メタデータ） (2026-10-14T20:48:59Z)
• 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)
• Learning Displacement-Robust Representations for Landslide Early Warning under Rainfall Forecast Uncertainty [6.244816393907942]
  リアルタイム災害監視のための地すべり早期警報システム(LEWS)は,近未来の地すべりリスクを見積もる必要がある。 近年の地すべり予測手法は,統計的および深層学習手法を用いて予測性能を向上した。 しかし、運用環境では、地すべり予測は降雨の予測に依存しており、しばしば降雨場の空間的変位を含む。
  論文  参考訳（メタデータ） (2026-05-17T12:32:31Z)
• DroughtSet: Understanding Drought Through Spatial-Temporal Learning [10.430055605915895]
  干ばつは最も破壊的で高価な自然災害の1つである。 我々は,関連する予測機能と3つの干ばつ指標を統合した新しいデータセットDroughtSetを提案する。 本モデルは物理・生物学的特徴の空間的・時間的情報から学習し,3種類の干ばつを同時に予測する。
  論文  参考訳（メタデータ） (2024-12-19T17:24:15Z)
• Climate-Driven Doubling of U.S. Maize Loss Probability: Interactive Simulation with Neural Network Monte Carlo [0.0]
  我々は、米国連邦作物保険プログラム(Federal Crop Insurance Program)の1つの重要な機関に対する、米国コーンベルト内の将来のリスクについて検討する。 温暖化による農作物の減少の影響を,政策順応的な「リスクユニット」スケールで予測する。
  論文  参考訳（メタデータ） (2024-08-05T03:38:38Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• An Evaluation of Machine Learning and Deep Learning Models for Drought Prediction using Weather Data [1.1977931648859175]
  干ばつは深刻な自然災害であり、長い期間と幅広い影響がある。 干ばつによる損失を減らすため、干ばつ予測は、対応する干ばつ防止と防災対策の基盤となる。 気象データを用いて機械学習モデルで干ばつを正確に予測できるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-06T10:19:43Z)

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。