文献

J-GLOBAL ID：202202266712787698   整理番号：22A0324482

機械学習と深層学習法を用いたコムギ収量予測における太陽誘導クロロフィル蛍光データの優位性の調査【JST・京大機械翻訳】

Exploring the superiority of solar-induced chlorophyll fluorescence data in predicting wheat yield using machine learning and deep learning methods

著者 (25件)： Liu Yuanyuan (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Liu Yuanyuan (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wang Shaoqiang (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Wang Shaoqiang (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wang Shaoqiang (Lab of Reginal Ecological Processes and Environmental Change, School of Geography and Information Engineering, Chinese University of Geosciences (Wuhan), Hubei Province 441000, China) ,  Wang Xiaobo (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Wang Xiaobo (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Chen Bin (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Chen Bin (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Chen Jinghua (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Chen Jinghua (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wang Junbang (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Wang Junbang (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Huang Mei (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Huang Mei (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wang Zhaosheng (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Wang Zhaosheng (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Ma Li (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Ma Li (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Wang Pengyuan (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Wang Pengyuan (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Amir Muhammad (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Amir Muhammad (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Zhu Kai (Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China) ,  Zhu Kai (University of Chinese Academy of Sciences, Beijing 100049, China)
資料名： Computers and Electronics in Agriculture  (Computers and Electronics in Agriculture)
巻： 192  ページ： Null  発行年： 2022年 
JST資料番号： T0337A  ISSN： 0168-1699  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： 大規模コムギ収量の信頼できる予測は,世界的な食料安全保障にとって非常に重要である。太陽誘発クロロフィル蛍光(SIF)は,光合成能力に対する伝統的リモートセンシング植生指数より感受性が高いが,コムギ収量予測におけるSIFの性能は,さらに調査されるべきである。本研究では,5つの衛星変数(すなわち,全球オゾンモニタリング実験-2(GOME-2)SIF)を0.5°空間分解能で,全球空間連続SIF(CSIF)を0.05°解像度で,そして,2007年から2018年の1km分解能で3つの植生指数を用いて,2つの線形回帰法(最小絶対収縮と選択オペレータ回帰(LASSO)とリッジ回帰(RIDGE)),3つの機械学習法(サポートベクトル回帰(SVR),ランダム森林回帰(RF),および1つの深層学習法(LSTM))を用いて,Indo-Gangetic平野におけるコムギ収量を予測する3つの機械学習法(サポートベクトル回帰(SVR),ランダム森林回帰(RF),および1つの深層学習法(長期記憶(LSTM)))を,コムギ収量を予測するために使用した。。”.”2つの線形回帰法”と,1つの深層学習法(XGBoost)と,1つの深層学習法(長期記憶(LSTM)),および1つの深層学習法(長短期記憶(LSTM))を用いて,コムギ収量を予測した。結果は,機械学習と深層学習法がコムギ収量の予測において2つの線形回帰法より優れているが,一方,LSTMはSVRより優れていないことを示した。高分解能SIF製品を用いた予測は,全年にわたって粗い分解能SIF製品を用いるよりも優れた性能を示した。さらに,高分解能SIFは,2010年の収量予測における3つの植生指数より優れた性能を有し,SIFデータが極端な気象事象の下でコムギ収量の予測において大きな優位性を持つことを示した。著者らの知見は,将来における高品質SIF製品の開発が作物収量予測を改善する可能性を持ち,著者らの方法が限られたデータを有する作付け地域においてコムギ収量を単純かつ効果的に予測できることを示した。Copyright 2022 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： *蛍光 ,  *太陽 ,  回帰分析 ,  オペレータ ,  気象 ,  *コムギ ,  リモートセンシング ,  作物収量 ,  高分解能 ,  *機械学習
準シソーラス用語： *クロロフィル蛍光 ,  植生指標 ,  線形回帰 ,  高品質 ,  ランダムフォレスト ,  サポートベクトル回帰 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： コムギ収量 ,  太陽誘導クロロフィル蛍光 ,  機械学習 ,  深層学習 ,  予測

分類 (2件)： リモートセンシング一般  (AD04000L) ,  植物生理学一般  (EH02010Y)

タイトルに関連する用語 (9件)： 機械学習 ,  深層学習 ,  コムギ ,  収量予測 ,  太陽 ,  誘導 ,  クロロフィル蛍光 ,  優位性 ,  調査