An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions

مجموعة بيانات مفتوحة وواسعة النطاق للتنبؤ بإنتاجية المحاصيل متعدد الوسائط والمُراعي للتغير المناخي

Clicks: 144
ID: 282042
2024
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #25 of 803 articles by views in arXiv

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 803 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Precise crop yield predictions are of national importance for ensuring food security and sustainable agricultural practices. While AI-for-science approaches have exhibited promising achievements in solving many scientific problems such as drug discovery, precipitation nowcasting, etc., the development of deep learning models for predicting crop yields is constantly hindered by the lack of an open and large-scale deep learning-ready dataset with multiple modalities to accommodate sufficient information. To remedy this, we introduce the CropNet dataset, the first terabyte-sized, publicly available, and multi-modal dataset specifically targeting climate change-aware crop yield predictions for the contiguous United States (U.S.) continent at the county level. Our CropNet dataset is composed of three modalities of data, i.e., Sentinel-2 Imagery, WRF-HRRR Computed Dataset, and USDA Crop Dataset, for over 2200 U.S. counties spanning 6 years (2017-2022), expected to facilitate researchers in developing versatile deep learning models for timely and precisely predicting crop yields at the county-level, by accounting for the effects of both short-term growing season weather variations and long-term climate change on crop yields. Besides, we develop the CropNet package, offering three types of APIs, for facilitating researchers in downloading the CropNet data on the fly over the time and region of interest, and flexibly building their deep learning models for accurate crop yield predictions. Extensive experiments have been conducted on our CropNet dataset via employing various types of deep learning solutions, with the results validating the general applicability and the efficacy of the CropNet dataset in climate change-aware crop yield predictions.
يحظى التنبؤ الدقيق بإنتاجية المحاصيل بأهمية وطنية بالغة لضمان الأمن الغذائي والممارسات الزراعية المستدامة. ورغم أن أساليب "الذكاء الاصطناعي من أجل العلم" (AI-for-science) قد أظهرت إنجازات واعدة في حل العديد من المشكلات العلمية مثل اكتشاف الأدوية والتنبؤ الآني بهطول الأمطار، فإن تطوير نماذج التعلم العميق للتنبؤ بإنتاجية المحاصيل يتعرقل باستمرار نتيجة الافتقار إلى مجموعات بيانات مفتوحة، وواسعة النطاق، وجاهزة للتعلم العميق، ومتعددة الأنماط لاستيعاب معلومات كافية. ولتدارك ذلك، نقدّم مجموعة بيانات CropNet، وهي أول مجموعة بيانات متعددة الأنماط ومتاحة للعموم بحجم تيرابايت، تستهدف خصيصاً التنبؤ بإنتاجية المحاصيل مع مراعاة التغير المناخي على مستوى المقاطعات في الولايات المتحدة المتجاورة. وتتألف مجموعة بيانات CropNet من ثلاثة أنماط بيانية، وهي: صور الأقمار الصناعية (Sentinel-2)، ومجموعة البيانات المحسوبة (WRF-HRRR)، ومجموعة بيانات المحاصيل لوزارة الزراعة الأمريكية (USDA)، لأكثر من 2200 مقاطعة أمريكية على مدار 6 سنوات (2017-2022)؛ ويُتوقع أن تُيسّر للباحثين تطوير نماذج تعلم عميق متعددة الاستخدامات للتنبؤ بدقة وفي الوقت المناسب بإنتاجية المحاصيل على مستوى المقاطعة، وذلك من خلال مراعاة تأثيرات تقلبات الطقس قصيرة المدى خلال موسم النمو والتغير المناخي طويل المدى على إنتاجية المحاصيل. علاوة على ذلك، طوّرنا حزمة CropNet البرمجية، التي توفر ثلاثة أنواع من واجهات برمجة التطبيقات (APIs)، لتسهيل قيام الباحثين بتنزيل بيانات CropNet بصورة آنية للفترة الزمنية والمنطقة الجغرافية محل الاهتمام، وبناء نماذج التعلم العميق الخاصة بهم بمرونة لتحقيق تنبؤات دقيقة بإنتاجية المحاصيل. وقد أُجريت تجارب مكثفة على مجموعة بيانات CropNet باستخدام أنواع مختلفة من حلول التعلم العميق، حيث أثبتت النتائج قابلية التطبيق العامة وكفاءة مجموعة بيانات CropNet في التنبؤ بإنتاجية المحاصيل مع مراعاة التغير المناخي.
Reference Key
tzeng2024an Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Fudong Lin; Kaleb Guillot; Summer Crawford; Yihe Zhang; Xu Yuan; Nian-Feng Tzeng
Journal arXiv
Year 2024
DOI
DOI not found
URL
http://arxiv.org/abs/2406.06081v2
Keywords
cs.lg cs.cv

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.