基于递归神经网络的农业应急管理的时空预测模型

导读:

据估计,每年全球最重要的八种作物的收成中有16%的损失源于作物病害。作物病害的出现、增殖和扩散将受到当地和邻近环境条件的动态影响。农业应急管理采取优化杀菌剂,农药的使用频率等措施来减少损失,并通过减少过量的化学应用来确保环境和生态安全,而这一切措施有赖于一个精准的病害预测模型。现如今,相关研究已将机器学习(ML)引入农作物疾病预测中并取得了不错的实验结果。但是,这些ML模型的架构不适合对时间序列数据建模,比如相关模型构建中未考虑到时空观测值之间的相关性。作者对作物疾病预测中的机器学习方法进行优化,提出了时空递归神经网络(STRNN),弥补了其不具有时空相关性的不足,并将更多的影响因素(遥感数据、生态气候、地形、土壤)考虑其中,保证了实验结果的可靠性。

内容概述:

为了更好地理解和预测植物病害与环境的关系,作者提出了小麦黄锈严重度预测时空框架(图1),开发了基于STRNN的集合学习模型。通过总结前人研究中使用的环境变量,将生态气候,遥感,地形和土壤数据纳入预测的信息范畴。更有效地对可能作物病害爆发进行空间挖掘。预测框架由四个主要过程组成,即数据发现,数据组织,数据建模和时空预测。

结果表明,如下表所示,在包含空间信息的情况下,所有7个模型的MAE,MAPE和RMSE值均优于单独使用局部环境变量的模型,增强的性能可归因于包含互补的空间信息。时空预测模型的整体MAPE值范围从20.24%到55.20%,STRNN-EL模型获得最小误差。此外,STRNN-EL模型在不同的评估指标和特征集下表现优于STRNN模型。总的来说,实证分析的结果说明了STRNN-EL作为农作物疾病严重性预测的可行方法的功效。

图1 小麦黄锈严重度预测时空框架

图2STRNN模型的深度网络结构

结论:

根据2010年至2016年陇南市小麦黄锈病暴发报告病例数据,作者构建了具有相关环境变量和疾病严重程度的特定数据集并提出了一个时空递归神经网络模型,在这个数据集上进行的比较实验组已经揭示了该模型在中国小麦黄锈病严重程度预测中的适用性和优越性。

今后的工作还有一些潜在的问题需要解决。例如,如何在较短的时间内重新培养深度学习模式?应用自适应学习方法来微调深度网络的权重可能是一种可行的方法;此外,采用先进的模式识别技术仍然在寻求更好的预测精度;如何将更多数据源(如遥感影像的疾病严重性分析结果)整合到预测框架中也是一项有意义的工作。相信农业应急管理作物疾病预测系统的性能可以通过包含更全面的信息而提高到一个新的阶段。

参考文献:

Xu W, Wang Q, Chen R. Spatio-temporal prediction of crop disease severity for agricultural emergency management based on recurrent neural networks[J]. Geoinformatica, 2017(4):1-19.

数字地形周刊整理

文 | 薛凯

编辑 | 李可

  • 发表于:
  • 原文链接:https://kuaibao.qq.com/s/20180604G0495C00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券