Integrating processed-based models and machine learning for crop yield prediction

要約

作物収量の予測には、通常、現地の条件に合わせて調整することが難しいことが判明している理論主導のプロセスベースの作物成長モデル、または大規模なデータセットを必要とすることが知られているデータ主導の機械学習手法のいずれかの利用が含まれます。
この研究では、ハイブリッド メタモデリング アプローチを使用してジャガイモの収量予測を調査します。
作物成長モデルを使用して、畳み込みニューラル ネットワークを (事前) トレーニングするための合成データを生成し、その後、観察データを使用して微調整します。
インシリコで適用すると、メタモデリング アプローチは、純粋にデータ駆動型のアプローチで構成されるベースラインよりも優れた予測をもたらします。
圃場試験 (n=303) および商業圃場 (n=77) からの実世界データでテストすると、メタモデリング アプローチは作物成長モデルに関して競合する結果をもたらします。
ただし、後者のセットでは、どちらのモデルも、厳選された機能セットとドメインの専門家によって設計された専用の前処理を使用した単純な線形回帰よりもパフォーマンスが悪くなります。
私たちの調査結果は、正確な作物収量予測のためのメタモデリングの可能性を示しています。
ただし、実際の有効性を確実にするために、広範な現実世界のデータセットを使用してさらなる進歩と検証を行うことが推奨されます。

要約(オリジナル)

Crop yield prediction typically involves the utilization of either theory-driven process-based crop growth models, which have proven to be difficult to calibrate for local conditions, or data-driven machine learning methods, which are known to require large datasets. In this work we investigate potato yield prediction using a hybrid meta-modeling approach. A crop growth model is employed to generate synthetic data for (pre)training a convolutional neural net, which is then fine-tuned with observational data. When applied in silico, our meta-modeling approach yields better predictions than a baseline comprising a purely data-driven approach. When tested on real-world data from field trials (n=303) and commercial fields (n=77), the meta-modeling approach yields competitive results with respect to the crop growth model. In the latter set, however, both models perform worse than a simple linear regression with a hand-picked feature set and dedicated preprocessing designed by domain experts. Our findings indicate the potential of meta-modeling for accurate crop yield prediction; however, further advancements and validation using extensive real-world datasets is recommended to solidify its practical effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google