文献

J-GLOBAL ID：202002260641094893   整理番号：20A2285644

機械学習アンサンブルによるトウモロコシ収量の予測【JST・京大機械翻訳】

Forecasting Corn Yield With Machine Learning Ensembles

著者 (3件)： Shahhosseini Mohsen (1Department of Industrial and Manufacturing Systems Engineering, Iowa State University, Ames, IA, United States) ,  Hu Guiping (1Department of Industrial and Manufacturing Systems Engineering, Iowa State University, Ames, IA, United States) ,  Archontoulis Sotirios V. (2Department of Agronomy, Iowa State University, Ames, IA, United States)
資料名： Frontiers in Plant Science (Web)  (Frontiers in Plant Science (Web))
巻： 11  ページ： 1120  発行年： 2020年 
JST資料番号： U7094A  ISSN： 1664-462X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 高性能計算による大きなデータを合成し,解析するための新技術の出現は,作物収量をより正確に予測するための能力を増加させた。最近の研究は,機械学習(ML)が,シミュレーション作物モデリングと比較して,合理的予測をより速く,より高い柔軟性で提供できることを示した。しかし,単一機械学習モデルは,予測バイアス,分散,あるいは両方を低減でき,データの根底にある分布をよりよく捉えることができるモデル(機械学習アンサンブル)の「コミュニティ」により性能が優れている。しかし,予測精度,予測の時間,およびスケールに関して調査される多くの側面がある。成長季節中の予測が早かったが,これは,収率予測に利用できるすべてのデータを考慮した以前の研究として,完全には調査されていない。本論文は,完全および部分的季節内気象知識を考慮して,3つのUSコーンベルト州(Illinois,Indiana,およびIowa)におけるトウモロコシ収量を予測するための機械希薄化ベースのフレームワークを提供する。いくつかのアンサンブルモデルを,袋外予測を生成するために,ブロック逐次手順を用いて設計した。予測を郡レベルスケールで行い,農業地域と州レベルスケールに対して集約した。結果は,提案した最適化加重アンサンブルと平均アンサンブルが,9.5%のRRMSEを有する最も正確なモデルであることを示した。スタックLASSOは最小バイアス予測(53kg/haのMBE)をし,一方他のアンサンブルモデルはバイアスに関してベース学習者を凌駕した。それどころか,ランダムk倍交差検証はブロックされた逐次手順によって置き換えられるが,積層アンサンブルは時間系列データセットの重みづけアンサンブルモデルほど良く機能しないことを示し,それらは非IIDが有利に実行するためにデータを必要とする。提案したモデル予測を文献と比較することで,提案したアンサンブルモデルによってなされた予測の許容できる性能を実証した。部分的季節内気象知識を持つシナリオからの結果は,9.2%のRRMSEによる収量予測が,6月1日と早くなせることを明らかにした。さらに,提案したモデルは,農業地区および州レベルのスケールならびに郡レベルのスケールにおいて,個々のモデルおよびベンチマークアンサンブルよりも良好に機能することを示した。提案したアンサンブルモデルによって作られた予測に対する各入力特徴の限界効果を見つけるために,アンサンブルモデルに対する特徴重要性を見つけるための基礎である方法を提案した。この知見は,18~24年(5月1日から6月1日)の天候に対応する気象特性が最も重要な入力特徴であることを示唆する。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  シミュレーション ,  学習モデル ,  気象 ,  農作物 ,  バイアス ,  作物収量 ,  重みづけ ,  農業地区 ,  ベンチマーク ,  *機械学習
準シソーラス用語： 学習者 ,  予測精度 ,  収量予測 ,  モデル予測 , 【Automatic Indexing@JST】

著者キーワード (5件)： トウモロコシ収量 ,  機械学習 ,  アンサンブル ,  予測 ,  米国トウモロコシベルト

分類 (4件)： 作物栽培一般  (FC03010R) ,  人工知能  (JE08000Z) ,  太陽光発電  (NB03090G) ,  農業気象  (DC05030Z)

引用文献 (88件)：

• Ansarifar J., Wang L. (2019). New algorithms for detecting multi-effect and multi-way epistatic interactions. Bioinformatics 35 (24), 5078-5085.
• Archontoulis S., Licht M. (2019). New Regional Scale Feature Added to FACTS (ICM blog news, Iowa State University).
• Archontoulis S. V., Castellano M. J., Licht M. A., Nichols V., Baum M., Huber I., et al. (2020). Predicting crop yields and soil-plant nitrogen dynamics in the US Corn Belt. Crop Sci. 60 (2), 721-738. doi: doi: 10.1002/csc2.20039
• Basso B., Liu L. (2019). Chapter Four - Seasonal crop yield forecast: Methods, applications, and accuracies. Adv. Agron. 154, 201- 255. doi: doi: 10.1016/bs.agron.2018.11.002
• Belayneh A., Adamowski J., Khalil B., Quilty J. (2016). Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for drought prediction. Atmos. Res. 172-173, 37-47. doi: doi: 10.1016/j.atmosres.2015.12.017

タイトルに関連する用語 (5件)： 機械学習 ,  アンサンブル ,  トウモロコシ ,  収量 ,  予測