@article{oai:ipsj.ixsq.nii.ac.jp:00222249,
 author = {藤浪, 一輝 and 大石, 直記 and 二俣, 翔 and 峰野, 博史 and Kazuki, Fujinami and Naoki, Oishi and Natsuru, Futamata and Hiroshi, Mineno},
 issue = {11},
 journal = {情報処理学会論文誌},
 month = {Nov},
 note = {植物の生理状態を表す光合成速度や蒸発散速度といった指標を，温度や湿度といった環境データから機械学習を使用して推定する手法について検討する．植物の栽培に関係する栽培データは季節や時間の変動を受けやすいことから分布に不均衡性を持ち，推定精度の低下が危惧される．本研究ではリサンプリング前処理に着目し不均衡性の解消という観点で推定精度の向上を図り，新しいリサンプリング手法としてCREAMER（Clustering-based REsAmpling MEthod for Regression）を提案する．CREAMERはすべての変数からデータをクラスタリングし，各環境条件をクラスタとして保持しつつクラスタごとにリサンプリングを行うことで不均衡性を解消する手法である．CREAMERの有効性の検証として，施設栽培イチゴの光合成速度と蒸発散速度について既存手法と比較したところ，全手法においてCREAMERは最も優れた結果を得ることができた．また，リサンプリング後の説明変数の分布を確認した結果では，CREAMERは明らかに既存手法と異なる分布を形成しており，機械学習に対して適したリサンプリングが可能であることを示した．, This paper discusses a method for estimating plant physiological indicators such as photosynthetic rate and evapotranspiration rate from environmental data using machine learning. Since cultivation data is susceptible to seasonal and temporal variations, there is imbalance in the distribution, and there is concern that the estimation accuracy may be degraded. In this study, we focus on the resampling preprocessing to improve the estimation accuracy from the viewpoint of eliminating imbalance, and we propose CREAMER (Clustering-based REsAmpling MEthod for Regression) as a new resampling method. To verify the effectiveness of CREAMER, we compared the photosynthetic rate and evapotranspiration rate of facility horticultural strawberries with existing methods, and found that the CREAMER gave the best results for all methods. In addition, the distribution results of the explanatory variables after resampling showed that the CREAMER clearly formed a different distribution from the existing methods, indicating that resampling is more suitable for machine learning.},
 pages = {1653--1664},
 title = {栽培データの分布不均衡性を考慮した植物生理状態の推定：施設栽培イチゴデータにて},
 volume = {63},
 year = {2022}
}