Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
PhenoYieldNet은 작물의 생육 단계 반응을 명시적으로 모델링하여 다중 작물의 수확량을 예측하는 새로운 프레임워크입니다. CPB와 CPA 모듈을 통해 작물별 생육 패턴을 학습하며, 사전 학습된 파운데이션 모델을 자기 지도 학습 방식으로 적응시켜 높은 일반화 성능을 구현했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기정확한 작물 수확량 예측(crop yield prediction)은 지속 가능한 농업과 글로벌 식량 안보를 위해 매우 중요합니다. 기존의 방법들은 주로 단일 작물 예측을 위해 개발되었으나, 복잡한 기상 패턴에 의해 동적으로 조절되는 고유한 작물 생육 단계(phenological) 반응을 다루지 못함으로써 다양한 작물 유형에 걸쳐 일반화하는 데 어려움을 겪는 경우가 많습니다. 본 논문에서는 시간적 동인(temporal drivers)에 따른 반응을 명시적으로 모델링하여 작물별 생육 단계를 학습하는 다중 작물 수확량 예측 프레임워크인 PhenoYieldNet을 제안합니다. 구체적으로, 우리는 작물 생육 단계 은행(Crop Phenology Bank, CPB)과 작물 생육 단계 어텐션(Crop Phenology Attention, CPA) 모듈로 구성된 작물 인지적 시간 디코더(crop-aware temporal decoder)를 개발합니다. CPB는 일련의 학습 가능한 임베딩(embeddings)을 통합하며, 이는 쿼리(query)를 활용하여 CPA 모듈이 특정 작물에 가장 관련 있는 생육 단계 패턴을 학습하도록 안내합니다. 또한 CPA 모듈은 시간적 문맥(temporal contexts)을 구축하기 위해 다중 스케일의 추세(trend) 및 변동(variation) 성분을 명시적으로 포착하여, 모델이 서로 다른 생육 단계에 따라 어텐션(attention)을 동적으로 조정할 수 있게 합니다. 다중 작물 예측을 위한 강건하고 일반화 가능한 특징을 학습하기 위해, 인코더(encoder)는 사전 학습된 파운데이션 모델(foundation model)로 초기화되며, 농업적 시간 역학(agricultural temporal dynamics)에 정렬하기 위해 자기 지도 학습 방식인 시간적 대조 적응(Temporal Contrastive Adaptation) 전략을 통해 추가로 적응됩니다. 다중 작물 데이터셋을 대상으로 수행된 광범위한 실험 결과, 우리가 제안한 방법은 최첨단(state-of-the-art) 방법들을 크게 능가하며, 서로 다른 지역과 작물에 대해 강력한 일반화 능력을 보여줍니다.