衛星・土壌・気候データを用いた時空間作物収量予測のための注意機構ベース多モーダル深層学習モデル

arXiv cs.CV / 2026/4/22

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、食料安全保障や政策決定に資する精度向上を目的として、時空間作物収量予測のための注意機構ベース多モーダル深層学習フレームワーク（ABMMDLF）を提案している。
気象の高解像度時系列データと初期土壌特性に加え、複数年の衛星画像を統合し、単一の要因だけに依存する従来手法とは異なる。
モデルはCNNで空間特徴を抽出し、時間とともに変化する状況に応じて重要なフェノロジー期（生物季節）へ重み付けを行う時系列注意機構を用いる。
実験ではR²スコア0.89が報告され、ベースラインの予測モデルを大幅に上回り、注意機構を活用した多モーダル手法が環境変数の複雑な関係を捉えやすいことを示唆している。
画像・映像列から得られる空間情報と時間変動する依存関係を明示的に結び付けることで、静的データに依存する従来の限界に対処している。

概要: 作物収量の予測は、世界の食料安全保障と政策決定にとって極めて重要な、最も重要な課題の1つです。従来の予測手法は、静的なデータソースを利用しており、時間の経過に伴って環境変数間に存在する動的で複雑な関係を反映できないという事実を踏まえると、その精度には限界があります[5,13]。本論文では、高精度な時空間作物収量予測に用いることが提案される、注意ベースのマルチモーダル・深層学習フレームワーク（ABMMDLF）を提示します。
本研究で使用するモデルは、前述の要因のうちのいずれか1つのみを用いる従来のモデルとは対照的に、複数年にわたる衛星画像、気象データの高解像度な時系列、および初期の土壌特性を組み合わせます[12,21]。主要なアーキテクチャは、空間特徴を抽出する畳み込みニューラルネットワーク（CNN）と、アルゴリズムが時間の経過に伴って変化し、画像および動画のシーケンスの空間的特徴に条件付けるために標的とする重要なフェノロジー（生物季節学的）期間に対して適応的に重み付けを行う時間的注意機構（Temporal Attention Mechanism）で構成されます。実験的に確認できるとおり、提案研究は基準（ベースライン）モデルに比べてはるかに優れたR^2スコア0.89を達成します。