不同优化策略对物理约束深度学习估算土壤湿度的影响
机器学习
2024-03-14 v1 信号处理
摘要
土壤湿度是一个关键的水文参数，对人类社会和环境具有重要意义。在农田中，尤其是在根区（土壤表层100厘米）精确建模和监测土壤湿度，对于借助精准灌溉和耕作工具提高农业生产和作物产量至关重要。充分发挥传感器数据的潜力在很大程度上依赖于先进的、具有领域意识的预测分析模型。在这项工作中，我们提出了一个物理约束深度学习（P-DL）框架，整合了关于水分传输和水分传感信号的物理学原理，以有效重建土壤湿度动态。在训练过程中，我们采用三种不同的优化器，即Adam、RMSprop和GD，来最小化P-DL的损失函数。在示例性案例研究中，我们证明了Adam优化器在小批量训练和全批量训练中的经验收敛性均优于其他优化方法。
引用
@article{arxiv.2403.08154,
title = {The Effect of Different Optimization Strategies to Physics-Constrained Deep Learning for Soil Moisture Estimation},
author = {Jianxin Xie and Bing Yao and Zheyu Jiang},
journal= {arXiv preprint arXiv:2403.08154},
year = {2024}
}