論文の概要: Mathematical Formulation and Comparative Performance Evaluation of Machine Learning Algorithms for Maize Land Suitability Prediction

• arxiv url: http://arxiv.org/abs/2611.01239v1
• Date: Sat, 31 Oct 2026 20:06:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:47.102786
• Title: Mathematical Formulation and Comparative Performance Evaluation of Machine Learning Algorithms for Maize Land Suitability Prediction
• Title（参考訳）: 土地収量予測のための機械学習アルゴリズムの数学的定式化と比較性能評価
• Abstract要約: 本研究は,アムハラ地域の3つの地域(Burie,Shindi,Tilili)で実施されている。 以上の結果から,エチオピアにおけるトウモロコシの土地適合性を評価する上で,機械学習が信頼性の高い手法であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Addressing the food needs of a growing population is one of the major challenges of developing countries like Ethiopia. Various policies aimed at increasing food production have been enacted by governments and development partners. Although efforts in this regard have been made, there is still inadequate emphasis on increasing food production through the use of high technology practices. Precision agriculture using technology has been utilized to increase crop yield. Precision agriculture also relies on identifying land for a crop, which is a key factor that affects crop yield. Traditional methods of assessing land suitability for crop production are time-consuming, costly and unreliable. Against this background, the aim of this study was to assess the potential of machine learning (ML) in improving the speed and accuracy of assessing land suitability for maize, a staple crop in Ethiopia, as compared to traditional methods. The study is investigated in three areas (Burie, Shindi and Tilili) in the Amhara region. Data collection was done through the local agriculture offices and survey teams. The data were coded, scaled and balanced. Various feature extraction techniques, which included Univariate Feature Selection(UFS), Recursive Feature Elimination with Cross-Validation(RFECV) and Sequential Feature Selection(SFS), and various classifiers, which were K-nearest neighbor (KNN), gradient boosting (GB),random forest (RF) with mathematical formulations were employed. The best models were constructed through combining GBOOST and SFS and achieved an accuracy of 99.41% and 99.35% for both precision and recall. Our results showed that using machine learning is a reliable method of assessing land suitability for maize in Ethiopia. Keywords: Maize, Gradient boosting,Land suitability,Machine learning, Mathematical formulations
• Abstract（参考訳）: 人口増加の食料需要に対処することは、エチオピアのような発展途上国における大きな課題の1つである。 食品生産の拡大を目的とした様々な政策が政府や開発パートナーによって制定されている。 このような取り組みは行われているが、ハイテクの実践を通じて食糧生産の増大に重点が置かれている。 技術を用いた精密農業は、収穫量を増やすために利用されてきた。 精密農業も作物の土地を特定することに依存しており、これは作物の収量に影響を与える重要な要因である。 伝統的に作物生産に適した土地を評価する方法は、時間がかかり、コストがかかり、信頼性が低い。 本研究の目的は,エチオピアの優占作物であるトウモロコシの耕地適性評価における機械学習(ML)の可能性を評価することである。 本研究は,アムハラ地域の3つの地域(Burie,Shindi,Tilili)で実施されている。 データ収集は地元の農業事務所や調査チームを通じて行われた。 データはコード化され、スケールされ、バランスが取れた。 特徴抽出手法として, 単変量特徴選択(UFS), クロスバリデーション(RFECV), 逐次特徴選択(SFS) , K-nearest neighbor(KNN), 勾配増進(GB), ランダム林(RF) を用いた。 最高のモデルはGBOOSTとSFSを組み合わせて製造され、精度は99.41%と99.35%に達した。 以上の結果から,エチオピアにおけるトウモロコシの土地適合性を評価する上で,機械学習が信頼性の高い手法であることが示唆された。 キーワード:Maize、Gradient boosting、Land suitability、Machine Learning、Mathematical Formulations

関連論文リスト

• Advancements in Crop Analysis through Deep Learning and Explainable AI [1.3198689566654107]
  本研究では,CNN(Convolutional Neural Networks)を用いたイネ5品種の自動分類手法を提案する。 このフレームワークは、説明可能な人工知能(XAI)とCNN、VGG16、ResNet50、MobileNetV2といったディープラーニングモデルを組み合わせたものだ。
  論文  参考訳（メタデータ） (2025-08-26T07:37:40Z)
• Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [1.546169961420396]
  AgroLensプロジェクトは、研究室のテストに頼らずに土壌の栄養レベルを予測する機械学習ベースの方法論の開発に取り組んでいる。 このアプローチは、LUCAS土壌データセットとSentinel-2衛星画像を用いた堅牢なヨーロッパモデルの開発から始まる。 Random Forests、Extreme Gradient Boosting (XGBoost)、Fully Connected Neural Networks (FCNN)といった高度なアルゴリズムが実装され、正確な栄養予測のために微調整された。
  論文  参考訳（メタデータ） (2025-03-28T09:44:32Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• 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)
• Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning [0.2580765958706853]
  冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。 いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。 本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
  論文  参考訳（メタデータ） (2023-06-20T23:52:39Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)

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。