土壤湿度水平预测的时间序列基础模型

近年来，基于自然语言处理和计算机视觉的基础模型的快速发展推动了各个领域的创新。以此为灵感，本文探讨了在智能农业中应用基础模型进行时间序列预测的潜力——该领域常因数据稀缺而受限。具体而言，本工作提出一种新颖应用：将一种最先进（SOTA）时间序列基础模型 $\texttt{TimeGPT}$ 应用于预测土壤水势（$\psi_\mathrm{soil}$），这是一种用于灌溉建议的关键指标，传统上依赖广泛的输入变量。我们探讨了 $\psi_\mathrm{soil}$ 在以下情景下的预测能力：（i）零样本情景，（ii）仅依赖历史 $\psi_\mathrm{soil}$ 测量值的微调情景，（iii）加入外生变量的微调情景。我们将 $\texttt{TimeGPT}$ 的性能与用于预测 $\psi_\mathrm{soil}$ 的 established SOTA 基准模型进行比较。结果表明， $\texttt{TimeGPT}$ 仅使用历史 $\psi_\mathrm{soil}$ 数据即可实现竞争性的预测精度，凸显了其在农业应用中的巨大潜力。这一研究为通过基础时间序列模型实现可持续农业发展铺平了道路，使那些传统上依赖广泛数据收集和领域专业知识的预测任务得以实现。