利用深度学习预测温室环境中的植物生长与产量
机器学习
2019-07-03 v1 机器学习
摘要
有效的植物生长与产量预测对于温室种植者及整个农业而言是一项重要任务。构建能够有效模拟生长与产量的模型，有助于种植者改善环境控制以提高产量、匹配供需并降低成本。机器学习（ML），特别是深度学习（DL）的最新进展，可提供强大的新型分析工具。本研究利用 ML 和 DL 技术预测两种不同场景下的产量与植物生长变化：受控温室环境中的番茄产量预测与垂叶榕茎干生长。我们在预测公式中部署了一种采用长短期记忆（LSTM）神经元模型的新型深度循环神经网络（RNN）。该 RNN 架构利用以往的产量、生长与茎干直径值以及微气候条件，对目标生长参数进行建模。本文还进行了比较研究，采用支持向量回归和随机森林回归等 ML 方法，以均方误差为标准评估不同方法所达到的性能。本文展示了基于 EU Interreg SMARTGREEN 项目（2017-2021）框架内从比利时和英国两处温室获取的数据所得到的极具前景的结果。
引用
@article{arxiv.1907.00624,
title = {Using Deep Learning to Predict Plant Growth and Yield in Greenhouse Environments},
author = {Bashar Alhnaity and Simon Pearson and Georgios Leontidis and Stefanos Kollias},
journal= {arXiv preprint arXiv:1907.00624},
year = {2019}
}
备注
8 pages, 2 figures, 1 table. arXiv admin note: text overlap with arXiv:1807.11809, arXiv:1707.00666 by other authors