最適化された特徴ピラミッドと深層ネットワークを用いた作物分類のための説明可能なアンサンブル学習フレームワーク
arXiv cs.LG / 2026/3/27
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文では、土壌（pH、窒素、カリウムなど）と気候（気温、降雨など）を用いた作物分類／適地予測のために、最適化された特徴ピラミッド、深層ネットワーク、自注意機構、残差ネットワークを組み合わせた説明可能なアンサンブル学習枠組みを提案しています。
- エチオピアの農業データ（3,867インスタンス、29特徴）およびNASAデータを用い、ラベルエンコーディング、IQRによる外れ値除去、StandardScalerによる正規化、SMOTEによるクラス不均衡の補正などの前処理を実施しています。
- Logistic Regression〜Random Forest〜Gradient Boostingなどの複数モデルに加え、「Relative Error Support Vector Machine」も比較し、Grid Searchと交差検証でハイパーパラメータを調整しています。
- 提案する「Final Ensemble（メタアンサンブル）」は単体モデルより高い性能を示し、98.80%の精度などを報告しています。さらにSHAPおよび置換重要度（permutation importance）により、土壌pH、窒素、亜鉛などの重要な特徴を可視化し、意思決定に繋げています。
広告
