文献

J-GLOBAL ID：202202270918180037   整理番号：22A0099598

作物収量モデリングにおける機械学習:強力なツールであるが,科学にとって代理しない【JST・京大機械翻訳】

Machine learning in crop yield modelling: A powerful tool, but no surrogate for science

著者 (9件)： Lischeid Gunnar (Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Strasse 84, Muencheberg D-15374, Germany) ,  Lischeid Gunnar (University of Potsdam, Institute of Environmental Science and Geography, Karl-Liebknecht-Strasse 24-25, Potsdam D-14476, Germany) ,  Webber Heidi (Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Strasse 84, Muencheberg D-15374, Germany) ,  Sommer Michael (Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Strasse 84, Muencheberg D-15374, Germany) ,  Sommer Michael (University of Potsdam, Institute of Environmental Science and Geography, Karl-Liebknecht-Strasse 24-25, Potsdam D-14476, Germany) ,  Nendel Claas (Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Strasse 84, Muencheberg D-15374, Germany) ,  Nendel Claas (University of Potsdam, Institute of Biochemistry and Biology, Karl-Liebknecht-Strasse 24-25, Potsdam D-14476, Germany) ,  Ewert Frank (Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Strasse 84, Muencheberg D-15374, Germany) ,  Ewert Frank (University of Bonn, Institute of Crop Science and Resource Conservation (INRES), Katzenburgweg 5, Bonn D-53115, Germany)
資料名： Agricultural and Forest Meteorology  (Agricultural and Forest Meteorology)
巻： 312  ページ： Null  発行年： 2022年 
JST資料番号： C0901A  ISSN： 0168-1923  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： 食物の十分な安定源の見通しは,農業生産に対する現在のおよび今後の脅威に関する健全な知識を必要とする。そのために,ドイツの351の郡から40年の収量データを含む4つの作物の空間的および時間的収量変動の優勢な気候および土壌水文ドライバーを同定するために,機械学習アプローチを用いた。農業管理と育種における進展の影響は,観察された収量データの95パーセンタイルに滑らかな非線形傾向を当てはめることによって,機械学習モデリングの前にデータから引き出された。次に,広範な特徴選択アプローチを,種々の土壌と気象データから成る候補予測子の大規模集合から最も関連する予測子を同定するために追跡した。特に強調して,同定された主要予測子の一意性を研究した。ランダム森林およびサポートベクターマシンモデルは,同じ結果ではなく,サイレージトウモロコシ,冬オオムギ,冬菜種および冬コムギ収量の空間的および時間的変動の50%~70%の間で捕獲した。等しい良好な性能は,予測子の異なるセットによって達成することができた。したがって,最も信頼できるモデルの同定は,モデル研究の結果に基づくだけでなく,専門家の判断を必要とした。運転者と応答間の関係は,特に夏の気温と降水に対して,最適曲線を示した。対照的に,土壌水分は,気象駆動者と比較して,明らかに関連しなかった。予想される気候変動の観点から,過剰降水と過剰熱効果は,作物モデリングと同様に育種においてより多くの注意に値する。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： 気温 ,  降水 ,  サイレージ ,  気象 ,  *農作物 ,  気候 ,  気象データ ,  気候変動 ,  土壌水 ,  *作物収量 ,  秋播コムギ ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： 予測子 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (6件)： 作物モデリング ,  機械学習 ,  ランダムフォレスト ,  サポートベクトルマシン ,  特徴選択 ,  同等性

分類 (2件)： 農業気象  (DC05030Z) ,  作物栽培一般  (FC03010R)

タイトルに関連する用語 (5件)： 作物収量 ,  モデリング ,  機械学習 ,  ツール ,  科学