Effects of Noise on the Accuracy of Estimating Rootzone Total Soil Moisture Using a Non‐Linear Autoregressive Exogenous Machine Learning Model for Precision Agriculture

方法

使用NARX模型，基于真实数据、广义假设曲线和模拟噪声数据集。

发现

预测精度与噪声水平成反比；噪声≤10%时精度较高，≤5%时相关系数>0.90，20%时显著下降。

机会点

可研究自适应去噪或鲁棒NARX模型，以在20%以上噪声下维持土壤水分预测精度。

摘要 广泛使用的基于蒸散发（ET）的灌溉方法存在许多不确定性，可能影响灌溉量。为减少这些不确定性，一种替代方法是利用土壤水分（SM）数据估算植物吸水量（PWU）。如果理解了根区土壤水分动态，就可以开发一个替代性机器学习（ML）模型来预测土壤水分动态行为，从而估算植物吸水量。鉴于土壤水分对时间和外部变量的依赖性，非线性自回归外生（NARX）算法可能是更适合此目的的机器学习模型。然而，测量误差的影响可能影响预测质量，进而影响数据采集技术和计算算法的全面部署。本文提出了一套方法，包括分析真实世界数据、建立广义假设土壤水分曲线、模拟测量误差以生成含噪数据集，以及开发机器学习模型。结果表明，预测精度与噪声水平成反比。在测量误差不超过10%时，NARX模型能够以较高精度捕捉土壤水分动态。然而，当噪声水平增至20%时，预测质量显著下降。对于5%以内的噪声水平，模型预测精度显著较高，所有数据集的决定系数均高于0.90。