PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.26809v1cs.CV

AgroBench: 카운티 통계와 픽셀 관측을 활용한 약지도 작물 수확량 학습을 위한 재현 가능한 멀티모달 벤치마크

AgroBench: A Reproducible Multimodal Benchmark for Weakly Supervised Crop Yield Learning from County Statistics and Pixel Observations

신뢰할 수 있는 농업 수확량 통계는 일반적으로 거친 행정 구역 단위로 보고되지만, 현대 지리공간 기계학습 방법은 공간적으로 명시적인 픽셀 수준 지도가 필요하다. 이러한 불일치는 멀티모달 지구 관측 데이터를 이용한 작물 수확량 학습을 위한 대규모 벤치마크 개발을 제한해 왔다. 공개된 미국 카운티 수준 작물 수확량 통계를 약지도 픽셀 수준 작물 시계열로 변환하기 위한 재현 가능한 벤치마크 AgroBench를 제시한다. 각 작물 픽셀 시계열은 직접 측정된 픽셀 수준 수확량 라벨 대신, 카운티 수준 수확량 값을 약한 지도 신호로 짝지어 사용한다. 지리공간 데이터 생성 파이프라인은 USDA 작물 수확량 통계를 작물별 토지 피복 마스크, Sentinel-2 다중분광 영상, Sentinel-1 합성 개구 레이더(SAR) 관측, 기후 변수, 지형 정보와 통합하여 생육기 동안 개별 작물 픽셀을 기술하는 시간 정렬 멀티모달 시퀀스를 생성한다. 결과 벤치마크는 미국 주요 5개 작물에 대해 8개 생육기(2017–2024)에 걸친 5,107개 카운티-연도 조합, 788,654개의 고유 작물 픽셀에서 1,300만 건 이상의 관측치를 포함한다. 표준화된 평가를 위해 Leave-One-Year-Out 평가 프로토콜을 사용한 작물 수확량 예측 벤치마크를 수립하고, 대표적인 기계학습 모델에 대한 기준선 결과를 제공한다. 데이터 생성 파이프라인, 벤치마크 데이터셋, 평가 프로토콜 전체를 공개함으로써 AgroBench는 약지도 학습, 멀티모달 원격 탐사, 시공간 모델링, 농업용 지리공간 파운데이션 모델에 관한 향후 연구를 위한 재현 가능한 토대를 제공한다.

arXiv:2508.03898v2cs.LG

다중 과제 학습을 통한 포도 생육양상 예측용 생물물리 모델 보정

Calibrating Biophysical Models for Grape Phenology Prediction via Multi-Task Learning

포도 생육양상의 정확한 예측은 관개 및 시비 일정 조율과 같은 시의적절한 포도원 관리 의사결정에 필수적이며, 이를 통해 작물 수확량과 품질을 극대화할 수 있다. 역사적 현장 데이터로 보정한 전통적인 생물물리 모델은 계절 전체 예측에 사용할 수 있지만, 세밀한 포도원 관리에 필요한 정밀도가 부족하다. 심층 학습 방법은 매력적인 대안이지만, 특히 품종(cultivar) 수준에서 표현형(phenology) 데이터셋이 희소하여 성능이 제한된다. 본 연구는 다중 과제 학습(multi-task learning)과 순환 신경망을 결합하여 미분 가능한(differentiable) 생물물리 모델의 매개변수를 추정하는 하이브리드 모델링 접근법을 제안한다. 다중 과제 학습을 통해 생물물리 모델의 매개변수를 예측함으로써, 생물학적 구조를 유지하면서 품종 간 공유 학습을 가능하게 하여 예측의 견고성과 정확도를 향상시킨다. 실제 및 합성 데이터셋에 대한 실증 평가 결과, 제안 방법은 발달 단계 예측뿐 아니라 냉내성(cold-hardiness) 및 밀 수확량(wheat yield)과 같은 다른 작물 상태 변수 예측에서도 기존 생물물리 모델과 기준선 심층 학습 접근법보다 유의미하게 우수한 성능을 보였다.