Irrigation and Drainage·9月14日 · 周一论文农业人工智能与决策模型阅读 0
Effects of Noise on the Accuracy of Estimating Rootzone Total Soil Moisture Using a Non‐Linear Autoregressive Exogenous Machine Learning Model for Precision Agriculture
Fayzul Pasha · Ashok Inturi · Kinnoree R. Pasha 等 4 人
Irrigation and DrainageDOI 10.1002/ird.70226
论文解读
72接近精选线
速览
该论文评估了测量噪声对NARX机器学习模型估算根区土壤水分动态精度的影响。
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。
影响力13
信息增量21
专业深度17
信源权威13
时效性8
核心期刊论文，量化了测量噪声对NARX土壤水分预测精度的影响，为精准灌溉传感器布设与数据质量控制提供参考，但属细分方法研究，公共影响有限。
原文摘要
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。
信源（1 个）