灌溉预测的智能实践综述
机器学习
2016-12-12 v1 神经与进化计算
摘要
人口增长与日益严重的干旱正对水资源的持续供应造成前所未有的压力。由于灌溉是淡水的主要消耗者，该领域的资源浪费可能产生严重后果。为解决此问题，需有效运用灌溉水管理与预测技术，并应能考虑环境中存在的变异性。本文调研的不同技术可分为两类：计算型与统计型。计算方法处理物理参数间的科学关联，而统计方法涉及可用于自动化灌溉水预测过程的特定预测算法。这些算法解释温度、压力、蒸散量(Evapotranspiration)等各参数之间的语义关系，并将其存储为针对条件和区域特定的数值预计算实体，这些条件和区域被用作训练语料库的数据来训练它。我们重点回顾用于确定蒸散量及其影响的计算方法。我们比较该领域实施的不同数据挖掘与机器学习方法的效率，例如逻辑回归(Logistic Regression)、决策树分类器(Decision Tress Classifier)、SysFor、支持向量机(Support Vector Machine, SVM)、模糊逻辑(Fuzzy Logic)技术、人工神经网络(Artifical Neural Networks, ANNs)以及应用于灌溉预测的各种遗传算法(Genetic Algorithms, GA)混合模型。我们还基于其在其他此类时间序列分析任务中的优越结果，推荐了一种可能适用的技术。
引用
@article{arxiv.1612.02893,
title = {A Review of Intelligent Practices for Irrigation Prediction},
author = {Hans Krupakar and Akshay Jayakumar and Dhivya G},
journal= {arXiv preprint arXiv:1612.02893},
year = {2016}
}
备注
18 pages, 3 figures, 1 table, In National Conference on Computational Intelligence and High-Performance Computing (NCCIHPC)