[論文レビュー] A Scalable Machine Learning System for Pre-Season Agriculture Yield Forecast

I.V.P. De Oliveira, Renato L. F. Cunha+2 more|arXiv (Cornell University)|Jun 25, 2018

Remote Sensing in AgricultureEnvironmental Science参考文献 18被引用数 19

ひとこと要約

本論文は、NDVIデータに依存せずに、衛星由来の降水量、気温、土壌特性、および季節予報を用いて、ブラジルおよび米国における稲作前季の大豆およびトウモロコシの収量予測のためのスケーラブルな機械学習システムを提示する。このシステムは、NDVI依存モデルと同等の精度を達成しており、LSTMと全結合層を組み合わせたハイブリッドディープラーニングアーキテクチャを用いて、歴史的収量データを訓練に使用することで、農家が植え付け前から早期段階での意思決定が可能になる。

ABSTRACT

Yield forecast is essential to agriculture stakeholders and can be obtained with the use of machine learning models and data coming from multiple sources. Most solutions for yield forecast rely on NDVI (Normalized Difference Vegetation Index) data, which is time-consuming to be acquired and processed. To bring scalability for yield forecast, in the present paper we describe a system that incorporates satellite-derived precipitation and soil properties datasets, seasonal climate forecasting data from physical models and other sources to produce a pre-season prediction of soybean/maize yield---with no need of NDVI data. This system provides significantly useful results by the exempting the need for high-resolution remote-sensing data and allowing farmers to prepare for adverse climate influence on the crop cycle. In our studies, we forecast the soybean and maize yields for Brazil and USA, which corresponded to 44% of the world's grain production in 2016. Results show the error metrics for soybean and maize yield forecasts are comparable to similar systems that only provide yield forecast information in the first weeks to months of the crop cycle.

研究の動機と目的

• 高分解能のリモートセンシングデータ（例：NDVI）に依存しない、スケーラブルな前季収量予測システムの開発。
• 植え付け開始前に収量予測を提供することで、農業の早期意思決定を可能にする。
• 気象および土壌データのみで、NDVIベースのモデルと同等の精度の収量予測が可能であることを実証する。
• 250m空間解像度の標準化された公開データセットを用いて、グローバルにスケーラブルなシステムを構築する。

提案手法

• 動的気象データ（降水量、気温）には長短期記憶（LSTM）層を、静的土壌特性には全結合層を用いたハイブリッドディープニューラルネットワークを採用する。
• 入力特徴量には、250m解像度の歴史的降水量、気温（最低/最高）、および土壌特性（例：粒度、有機物含有量）を含む。
• モデルは、ブラジルおよび米国の1,500以上の都市における自治体レベルの歴史的収量データで訓練される。
• 天気予報は、再解析に基づく季節予報製品から取得され、最大7か月先までの予測が可能になる。
• RESTful APIを活用して、必要に応じて場所固有の天気および土壌データを動的に取得する。
• モデルの性能は、複数の地域および作物で標準指標（MAE、MAPE、RMSE、RMSPE、R²）を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 植え付け前段階で、NDVIや生育期中のリモートセンシングデータを一切使用せずに、気象および土壌データのみで正確な収量予測が可能か？
• RQ2 気象および土壌データに基づく前季予測システムの性能は、生育期間中に後から動作するNDVIベースのモデルと比べてどの程度か？
• RQ3 ディープラーニングモデルが、季節予報および土壌入力のみから、作物生育サイクルのパターンを暗黙的にどれだけ学習できるか？
• RQ4 このようなシステムは、最小限のデータ要件でグローバルにスケーリング可能であり、高い予測精度を維持できるか？

主な発見

• ブラジルの大豆収量予測では平均絶対誤差（MAPE）が10.70%、米国では9.80%を記録し、決定係数（R²）はそれぞれ0.55および0.75であった。
• トウモロコシに関しては、米国でMAPEが11.31%、R²が0.71を記録し、複数の作物で優れた性能を示した。
• 生育期中のリモートセンシングデータを必要としないにもかかわらず、既存のNDVIベースのモデルと同等の性能を達成した。
• ハイブリッドアーキテクチャは、気象データの時間的依存性および土壌データの空間的パターンを効果的に捉えており、正確な前季予測を可能にした。
• モデルが入力データ内の重複情報を検出できる能力は、多様な農業気候地域にわたる強固な一般化能力を示している。
• 予測のリードタイムが早期であるため、作物種類や遺伝子型の選択といった、実行可能な前季意思決定を可能にした。