پیش‌بینی مقاومت سرمای تاک‌ها در مناطق مختلف از طریق نمایندگی‌های پنهان چندمدلی یادگرفته‌شده

پیش‌بینی سختی خنک‌گی گل انگور در مناطق مختلف با استفاده از نمایش‌های پنهان چندرسانه‌ای یادگرفته‌شده نویسندگان: William Solow, Paola Pesantez-Cabrera, Markus Keller, Lav Khot, Sandhya Saisubramanian, Alan Fern خلاصه: پیش‌بینی دقیق روزانه سختی خنک‌گی در گیاهان چوبی در مناطقی که دمای یخ‌زدگی می‌تواند برگ‌های ناکارآمد (inactive buds) را آسیب بزند و محصول فصلی را کاهش دهد، اهمیت بالایی دارد. مدل‌های بیوفیزیکی، هیبریدی و یادگیری عمیق موجود، هنگامی که بر داده‌های محلی آموزش می‌بینند، دقت پیش‌بینی بالایی نشان داده‌اند، اما عمدتاً وابسته به موقعیت مکانی (site-specific) باقی می‌مانند. محدودیت دسترسی به داده‌های سختی خنک‌گی به‌همراه عدم وجود روش‌های اصولی (principled) برای انتقال پیش‌بینی‌های سختی خنک‌گی به مناطق و رقم‌های کشتی (cultivar) جدید، پذیرش گسترده و کاربرد عملی این رویکردها را — به‌ویژه در مناطق کم‌داده — محدود ساخته است. برای رفع این محدودیت‌ها، چارچوبی برای پیش‌بینی سختی خنک‌گی پیشنهاد می‌شود که یک نمایش پنهان قابل انتقال را از طریق embedding‌های یادگرفته‌شده، با جداسازی تغییرات ویژه هر منطقه، یاد می‌گیرد. به‌منظور امکان‌پذیری پیش‌بینی در مناطق قبلاً دیده‌نشده، embedding‌ها از (۱) توصیفات متنی رقم کشتی و منطقه رشد، و (۲) مشاهدات تاریخی محدود استخراج می‌شوند که هر دو رویکرد انتقال zero-shot و few-shot را پشتیبانی می‌کنند. آزمایش‌ها روی مجموعه‌داده‌های شش منطقه در آمریکای شمالی نشان می‌دهد که رویکرد پیشنهادی به‌طور مداوم از روش‌های پیشرفته پیش‌بینی سختی خنک‌گی فراتر می‌رود، پیش‌بینی‌های دقیق‌تری ارائه می‌دهد و انتقال به مناطق کم‌داده را به‌طور قابل‌توجهی بهبود می‌بخشد. موضوع: هوش مصنوعی (AI) ارجاع: arXiv:2608.31097 [cs.AI] (or arXiv:2608.31097v1 [cs.AI] for this version) https://doi.org/10.48550/arXiv.2608.31097 برای یادگیری بیشتر، DOI منتشر شده توسط arXiv از طریق DataCite (در حال ثبت) را بررسی کنید. تاریخ‌های ارسال: William Solow [مشاهده ایمیل] [v1] Mon, 31 Aug 2026 17:04:14 UTC (773 KB) ابزارهای بایوگرافی: ابزارهای بایوگرافی و استناد کردن کاوشگر بایوگرافی: تغییر کاوشگر بایوگرافی (کاوشگر بایوگرافی چیست؟) پیوستگی مقالات: تغییر پیوستگی مقالات (پیوستگی مقالات چیست؟) Litmaps: تغییر Litmaps (Litmaps چیست؟) scite.ai: تغییر scite Smart Citations (Smart Citations چیست؟) کد، داده، رسانه: کد، داده و رسانه مرتبط با این مقاله alphaXiv: تغییر alphaXiv (alphaXiv چیست؟) لینک‌های کد: تغییر CatalyzeX Code Finder for Papers (CatalyzeX Code Finder for Papers چیست؟) DagsHub: تغییر DagsHub (DagsHub چیست؟) GotitPub: تغییر Gotit.pub (Gotit.pub چیست؟) Huggingface: تغییر Hugging Face (Hugging Face چیست؟) ScienceCast: تغییر ScienceCast (ScienceCast چیست؟) دموها: Replicate: تغییر Replicate (Replicate چیست؟) فضاها: تغییر Hugging Face Spaces (Hugging Face Spaces چیست؟) فضاها: تغییر TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط: توصیه‌کنندگان و ... ابزارهای جستجوی پیوند به گل تأثیرگذار (گل‌های تأثیر چیست؟) سوئیچ توصیه‌گر اصلی توصیه‌گر اصلی (CORE چیست؟) نویسنده مجله مؤسسه موضوع درباره arXivLabs: پروژه‌های آزمایشی با همکاران جامعه arXivLabs چارچوبی است که به همکاران امکان می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه دهند و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs کار می‌کنند، ارزش‌های ما از جمله گشودگی، جامعه‌محوری، برتری و حریم خصوصی داده‌های کاربران را پذیرفته و پذیرفته‌اند. arXiv به این ارزش‌ها متعهد است و فقط با شرکایی کار می‌کند که به آن‌ها پایبند هستند. آیا ایده‌ای برای پروژه‌ای دارید که ارزشی برای جامعه arXiv اضافه کند؟ درباره arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعال‌سازی MathJax (MathJax چیست؟)