要約
リモートセンシング(RS)技術は、広範な地上観測の非接触獲得を可能にすることにより、トウモロコシの収量予測のための貴重なツールになりました。
従来のプロセスベース(PB)モデルは、固定入力機能によって制限され、大量のRSデータを組み込むのに苦労しています。
対照的に、機械学習(ML)モデルは、解釈が限られている「ブラックボックス」であると批判されることがよくあります。
これらの制限に対処するために、知識誘導機械学習(KGML)を使用しました。これは、両方のアプローチと完全に使用されたRSデータの強みを組み合わせました。
しかし、以前のKGMLメソッドは、植物の成長における土壌水分の重要な役割を見落としていました。
このギャップを埋めるために、植物の発達における重要な役割を強調するために、土壌水分を中間変数として使用して、土壌水分(KGML-SM)フレームワークを使用した知識誘導機械学習を提案しました。
さらに、モデルが干ばつ条件下で過大評価される可能性があるという事前知識に基づいて、干ばつの影響を受けた地域で予測される収量を罰する干ばつが認識した損失機能を設計しました。
私たちの実験は、KGML-SMモデルが他のMLモデルよりも優れていることを示しました。
最後に、干ばつ、土壌水分、およびトウモロコシの収量予測の関係を調査し、さまざまな特徴の重要性を評価し、土壌水分が異なる地域と期間にわたってトウモロコシの収穫予測にどのように影響するかを分析しました。
要約(オリジナル)
Remote sensing (RS) techniques, by enabling non-contact acquisition of extensive ground observations, have become a valuable tool for corn yield prediction. Traditional process-based (PB) models are limited by fixed input features and struggle to incorporate large volumes of RS data. In contrast, machine learning (ML) models are often criticized for being “black boxes” with limited interpretability. To address these limitations, we used Knowledge-Guided Machine Learning (KGML), which combined the strengths of both approaches and fully used RS data. However, previous KGML methods overlooked the crucial role of soil moisture in plant growth. To bridge this gap, we proposed the Knowledge-Guided Machine Learning with Soil Moisture (KGML-SM) framework, using soil moisture as an intermediate variable to emphasize its key role in plant development. Additionally, based on the prior knowledge that the model may overestimate under drought conditions, we designed a drought-aware loss function that penalizes predicted yield in drought-affected areas. Our experiments showed that the KGML-SM model outperformed other ML models. Finally, we explored the relationships between drought, soil moisture, and corn yield prediction, assessing the importance of various features and analyzing how soil moisture impacts corn yield predictions across different regions and time periods.
arxiv情報
著者 | Xiaoyu Wang,Yijia Xu,Jingyi Huang,Zhengwei Yang,Zhou Zhang |
発行日 | 2025-03-20 16:52:25+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google