SOMOSPIE：基于数据驱动决策的模块化土壤湿度空间推断引擎
机器学习
2019-05-22 v2
摘要
当前大面积土壤湿度数据的获取来自卫星遥感技术（即基于雷达的系统），但这些数据分辨率较粗，且常表现出较大的空间信息缺口。在给定需求下数据过粗或过稀疏时（例如精准农业），可利用机器学习技术结合其他环境信息源（例如地形）来生成无缺口信息并提高空间分辨率（即增加粒度）。为此，我们开发了一个由模块化阶段组成的空间推断引擎，用于处理空间环境数据、利用机器学习技术生成预测并分析这些预测。我们通过对美国一个具有高度多样化土壤湿度剖面（即中大西洋沿海平原）的生态区域的多幅预测图，展示了该方法的功能及数据处理选择的影响。我们工作的意义源于对环境科学（例如生态位建模、碳监测系统和其他地球系统模型）和精准农业（例如优化灌溉实践和其他土地管理决策）中改善土壤湿度空间表示的迫切需求。
引用
@article{arxiv.1904.07754,
title = {SOMOSPIE: A modular SOil MOisture SPatial Inference Engine based on data driven decisions},
author = {Danny Rorabaugh and Mario Guevara and Ricardo Llamas and Joy Kitson and Rodrigo Vargas and Michela Taufer},
journal= {arXiv preprint arXiv:1904.07754},
year = {2019}
}
备注
10 pages, 11 figures, 1 table