[論文レビュー] Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches

Florian Huber, Artem Yushchenko+2 more|arXiv (Cornell University)|Aug 26, 2022

Remote Sensing in Agriculture被引用数 12

ひとこと要約

本論文は、時系列のリモートセンシングデータを用いて、極端勾配ブースティング（XGBoost）を適用する特徴ベースのパイプラインを提案し、最先端のディープラーニングモデルと同等の性能を達成した。この手法は、米国農務省（USDA）の枝豆の収量データセットにおいて、2つの最先端ディープラーニング手法よりも少なくとも25%低いRMSEを達成した。また、シャープレイ値による特徴重要度分析により、モデルの解釈可能性も実現した。

ABSTRACT

Accurate prediction of crop yield before harvest is of great importance for crop logistics, market planning, and food distribution around the world. Yield prediction requires monitoring of phenological and climatic characteristics over extended time periods to model the complex relations involved in crop development. Remote sensing satellite images provided by various satellites circumnavigating the world are a cheap and reliable way to obtain data for yield prediction. The field of yield prediction is currently dominated by Deep Learning approaches. While the accuracies reached with those approaches are promising, the needed amounts of data and the ``black-box'' nature can restrict the application of Deep Learning methods. The limitations can be overcome by proposing a pipeline to process remote sensing images into feature-based representations that allow the employment of Extreme Gradient Boosting (XGBoost) for yield prediction. A comparative evaluation of soybean yield prediction within the United States shows promising prediction accuracies compared to state-of-the-art yield prediction systems based on Deep Learning. Feature importances expose the near-infrared spectrum of light as an important feature within our models. The reported results hint at the capabilities of XGBoost for yield prediction and encourage future experiments with XGBoost for yield prediction on other crops in regions all around the world.

研究の動機と目的

• XGBoostとリモートセンシングデータを用いた、スケーラブルで解釈可能な作物収量予測パイプラインの開発。
• 農業分野の収量予測において、特にデータ量の多さと解釈不能性というディープラーニングの限界を是正すること。
• 実世界の枝豆収量データセットを用いて、XGBoostの性能を最先端のディープラーニングモデルと比較すること。
• ドメインエキスパートの知見と整合性を持つシャープレイ値に基づく特徴重要度分析を通じて、モデルの信頼性を検証すること。
• 米国の枝豆にとどまらず、他の作物や地域への一般化可能性を示すこと。

提案手法

• 時系列マルチスペクトル衛星画像（例：MODISや類似機器）を、時間的およびスペクトル的統計を用いて、コンactかつ意味のある特徴ベクトルに変換する。
• 導出された特徴表現に基づき、最終的な枝豆収量を予測するためのXGBoostをコア回帰器として適用する。
• 段階的なデータパイプラインを採用：画像取得 → 時系列特徴抽出（例：平均、最大値、トレンド、植生インデックス） → モデル学習。
• シャープレイ値を用いて特徴重要度を計算し、モデルの解釈可能性と既知の農業指標との整合性を実現する。
• 米国農務省（USDA）の年次枝豆収量データセットを用い、米国の郡単位で空間的・時間的カバレッジを持つ地域でモデルを学習・評価する。
• 標準指標（RMSEおよびR²）を用いて、XGBoostを2つの最先端ディープラーニングアーキテクチャとベンチマーク比較する。

実験結果

リサーチクエスチョン

• RQ1 XGBoostは、枝豆収量予測のためのリモートセンシングデータに適用された場合、最先端のディープラーニングモデルと同等またはそれ以上の収量予測精度を達成できるか？
• RQ2 異なるテスト分割および地域におけるRMSEおよびR²の観点から、XGBoostの性能はディープラーニングモデルと比べてどの程度異なるか？
• RQ3 XGBoostモデルの観点から、最も予測に寄与するスペクトル的および時間的特徴は何か？また、それらは専門家の知識と整合性を示すか？
• RQ4 シャープレイ値の使用が、農業分野の収量予測におけるモデルの信頼性と解釈可能性をどの程度向上させるか？
• RQ5 提案されたXGBoostベースのパイプラインは、米国の枝豆にとどまらず、他の作物や地理的地域へも一般化可能か？

主な発見

• XGBoostベースのアプローチは、米国農務省（USDA）の枝豆収量データセットにおいて、2つの最先端ディープラーニング手法よりも少なくとも25%低いRMSEを達成した。
• XGBoostは、適切な特徴工学を組み合わせることで、ディープラーニングモデルと同等の性能を示した。これは、木ベースのモデルが収量予測に非常に効果的である可能性を示している。
• シャープレイ値分析により、近赤外（NIR）スペクトルが最も重要な特徴であることが判明し、これは植生インデックスの分野で確立された知識と一致した。
• モデルの特徴重要度は、生育段階や植物の健康状態に関する専門家の理解と整合的であり、モデルの信頼性を高めた。
• 提案されたパイプラインは、大規模なディープラーニングインfraや大規模データを必要とせず、効率的で解釈可能かつ高精度な収量予測を可能にした。
• このアプローチは、トウモロコシやパンジーなど年間生育サイクルを示す他の作物や地域への移植可能性が非常に高い。