基于卫星影像与站点土壤参数的深度学习草莓产量与价格预测方法
机器学习
2021-02-19 v1 人工智能
摘要
用于预测生鲜农产品产量与价格的计算工具传统上基于传统机器学习方法或时间序列建模。我们在此提出一种基于深度学习算法的替代方法，用于预测加利福尼亚州圣巴巴拉县的草莓产量与价格。构建所提预测模型包含三个阶段：首先，使用基于站点的集成模型 (ATT-CNN-LSTM-SeriesNet_Ens) 及其复合深度学习组件，即带门控循环单元 (GRU) 的 SeriesNet 与带注意力层的卷积神经网络 LSTM (Att-CNN-LSTM)，以圣巴巴拉站点土壤温度与湿度数据作为输入、相应草莓产量或价格作为输出进行训练与测试。其次，遥感集成模型 (SIM_CNN-LSTM_Ens) 作为卷积神经网络 LSTM (CNN-LSTM) 模型的集成，以同一县卫星影像作为输入、映射至相同产量与价格作为输出进行训练与测试。这两个集成对提前五周的产量与价格预测具有最小预测误差与最高模型相关性。最后，通过引入投票集成将两模型预测值集成，得到产量与价格的最终预测值。基于聚合性能指标 (AGM)，发现该投票集成不仅比其最佳组件模型预测性能提升 5%，且比文献中的深度学习 (DL) 集成模型在产量预测上优 33%、价格预测上优 21%。
引用
@article{arxiv.2102.09024,
title = {Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters},
author = {Mohita Chaudhary and Mohamed Sadok Gastli and Lobna Nassar and Fakhri Karray},
journal= {arXiv preprint arXiv:2102.09024},
year = {2021}
}
备注
Paper Accepted in Association for the Advancement of Artificial Intelligence (AAAI) Spring Symposium on 21st Jan, 2021