利用领域启发的时序图卷积神经网络预测土壤湿度以指导可持续作物管理
机器学习
2022-12-14 v1 应用统计
摘要
气候变化、人口增长和水资源短缺给农业带来了前所未有的挑战。本项目旨在利用领域知识和机器学习预测土壤湿度，以辅助实现可持续农业的作物管理决策。传统的预测水文响应特征的方法需要大量的计算时间和专业知识。近期工作已将机器学习模型作为预测水文响应特征的工具，但这些模型忽略了一个传统水文建模中的关键要素，即空间上相近的单元可能具有截然不同的水文响应。在传统水文建模中，具有相似水文属性的单元被归为一组，并共享模型参数，而不论其空间邻近性如何。受此领域知识启发，我们构建了一种新颖的领域启发时序图卷积神经网络。我们的方法包括基于时变水文属性对单元进行聚类、为每个聚类构建图拓扑，以及利用图卷积和门控循环神经网络预测土壤湿度。我们在美国东北部一项案例研究中，基于包含约99,000个水文响应单元、跨度40年的田块尺度时间序列数据对方法进行了训练、验证和测试。与现有模型的比较表明了使用领域启发聚类结合时间序列图神经网络的有效性。该框架正作为一项无偿社会影响项目的一部分进行部署，训练好的模型正部署于得克萨斯州中部的小农户农场。
引用
@article{arxiv.2212.06565,
title = {Forecasting Soil Moisture Using Domain Inspired Temporal Graph Convolution Neural Networks To Guide Sustainable Crop Management},
author = {Muneeza Azmat and Malvern Madondo and Kelsey Dipietro and Raya Horesh and Arun Bawa and Michael Jacobs and Raghavan Srinivasan and Fearghal O'Donncha},
journal= {arXiv preprint arXiv:2212.06565},
year = {2022}
}