- 10月 30, 2026
土壌水分のAI推定精度を向上|気象データと画像を融合するSMD手法
気象データと画像データを融合させる際、片方のデータが支配的になる問題を解決するため、単独で学習した教師モデルの知識を学生モデルに伝達するSMD手法を開発した。作物画像を用いた場合、従来の最先端手法より誤差を1.2%低減し、より正確な土壌水分推定を可能にする。
気象データと画像データを融合させる際、片方のデータが支配的になる問題を解決するため、単独で学習した教師モデルの知識を学生モデルに伝達するSMD手法を開発した。作物画像を用いた場合、従来の最先端手法より誤差を1.2%低減し、より正確な土壌水分推定を可能にする。
オーストラリアの復元現場で、学習不要のAIモデルTimesFMが1日以内の土壌水分予測で統計モデルより21〜76%高精度であることを実証した。ただし、1日超の予測では既存の気候平均値が優位となり、計算コストとのトレードオフが生じる。
AIモデル「SMCast」により、欧州域内の根層土壌水分を最大50日間、既存の気象予報システムより高精度に予測可能に。物理単位の残差学習が鍵となり、急激な干ばつ(フラッシュ干ばつ)の早期警戒に貢献するが、急峻な発生タイミングの予測は依然として課題。
気象データと衛星画像を融合する新手法で土壌水分を高精度推定 📄 論文サマリー 著者:Adrian Canovas-Rodriguez、Aurora González Vidal、Antonio F. Skarmeta 発表:arXiv(機械学習)/2606.21475v1 公開日:2026年06月19日 ✨ 本論文の新規性 気象変数と土壌水分の最適遅延をCCFで特定し、モデルに融合する手法を提案 […]