文献

J-GLOBAL ID：202002275659480588   整理番号：20A2726968

機械学習法を用いたイネ収量予測における統合生物季節学と気候【JST・京大機械翻訳】

Integrated phenology and climate in rice yields prediction using machine learning methods

著者 (10件)： Guo Yahui (College of Water Sciences, Beijing Normal University, Beijing 100875, China) ,  Fu Yongshuo (College of Water Sciences, Beijing Normal University, Beijing 100875, China) ,  Hao Fanghua (College of Water Sciences, Beijing Normal University, Beijing 100875, China) ,  Zhang Xuan (College of Water Sciences, Beijing Normal University, Beijing 100875, China) ,  Wu Wenxiang (Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China) ,  Wu Wenxiang (CAS Center for Excellence in Tibetan Plateau Earth Sciences, Chinese Academy of Sciences (CAS), Beijing 100101, China) ,  Jin Xiuliang (Institute of Crop Sciences, Chinese Academy of Agricultural Sciences, Key Laboratory of Crop Physiology and Ecology, Ministry of Agriculture, Beijing 100081, China) ,  Robin Bryant Christopher (School of Environmental Design and Rural Development, University of Guelph, Guelph, ON N1G2W5, Canada) ,  Robin Bryant Christopher (Geographie, Universitede Montreal, Montrea, QC H2V2B8, Canada) ,  Senthilnath J. (Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR), 138632, Singapore)
資料名： Ecological Indicators  (Ecological Indicators)
巻： 120  ページ： Null  発行年： 2021年 
JST資料番号： A1221A  ISSN： 1470-160X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： イネ(Oryza sativa L.)は,ステープル穀物作物であり,その需要は,地球規模の個体群の成長とともに実質的に増加している。イネの収量を正確に予測することは,中国のような国の食料安全保障を確保するために極めて重要である。以前の研究は,イネ収量が気候変動によって有意に影響を受けることを見出した。さらに,生物季節変数が,植物器官間の炭素配分における基本的役割により,イネ収量に関する重要因子であることを見出したが,イネ収量への影響は,ほとんど評価されなかった。本研究では,伝統的回帰ベース法(MLR,多重線形回帰)およびより進んだ3つの機械学習(ML)法(逆伝播ニューラルネットワーク(BP),サポートベクトルマシン(SVM)およびランダム森林(RF))を用いて,サイトベースイネ収量を予測するために,フェノロジー,気候および地理データの11の組み合わせを試験した。結果は,ML法がMLR法より正確であることを示した。統合フェノロジー,成長季節における気候,および地理的情報を用いた組合せは,ML法,例えば予測と観察されたイネ収量の間の差異RMSE(R2)が,BP,SVM,およびRFに対して,それぞれ800(0.24),737(0.33),および744(0.31)kg/haであった,というので,収量予測のために,より良い。”結論],例えば,予測と観察されたイネ収量の間の差異RMSE(R2)は,それぞれ,800(0.24),737(0.33),および744(0.31)kg/haであった。SVMは収量予測において最高の精度を達成し,生物季節変数は収量予測の精度をかなり改善し,生物季節変数の相対的重要性は気候変数と同程度であった。統合ML法を用いて気候変動条件下でのイネ収量予測の精度を改善するために,作物モデルで正確に表現されるべき生物季節学と気候を強調した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 穀類 ,  炭素 ,  農作物 ,  *気候 ,  気候変動 ,  地理学 ,  植物器官 ,  個体群 ,  *機械学習 ,  サポートベクトルマシン ,  食料安全保障
準シソーラス用語： *フェノロジー ,  ランダムフォレスト ,  多重線形回帰 ,  作物モデル , 【Automatic Indexing@JST】

著者キーワード (5件)： 早期成熟イネ ,  機械学習(ML)法 ,  多重線形回帰(MLR) ,  米収量予測 ,  生物季節学

分類 (1件)： 稲作  (FC03020C)

タイトルに関連する用語 (6件)： 機械学習 ,  イネ ,  収量予測 ,  統合 ,  生物季節学 ,  気候