“SMARTCAST: PREDICTING SOIL MOISTURE INTERPOLATIONS INTO THE FUTURE USING EARTH OBSERVATION DATA IN A DEEP LEARNING FRAMEWORK” (Foley 等, 2020, p. 1) SMARTCAST:预测土壤水分插入到未来使用地球观测数据的深度学习框架

总结

将感知器和lstm结合，去进行对土壤湿度的预测。

提出的模型，编码器加解码器，中间是attetion机制。

对attetion不是很了解。

最重要的是，这个参考文献很多，关于lstm和土壤湿度的语料库很多。

结构：

摘要

卫星的图像用在lstm是框架去分析土壤温度和植被指标，去预测未来的数据，预防可能的未来的危险。

介绍

土壤湿度是多么的重要，机器学习可以帮助预测

背景

机器学习的GNN，lstm可帮助

植被健康指数可以由NDVI和NDWI俩个指数表示。

交叉方法

目标是 建立一个途径，可以从稀疏的感知器的土壤湿度的数据，去预测卫星图像整片地区的未来的俩星期的数据

材料和方法

200公顷的土壤，嵌入式的感知器到地下120cm，间隔10cm

土壤湿度预测

lstm模型的输入包括土壤湿度，土壤温度，土壤盐度，降水量，输出一个预测14天的土壤湿度。

模型的结构使用了一个序列到序列学习的LSTM的编码解码器，

输出的解码器通过一个分布式的100神经和一个最终的单个神经的稠密层，通过线性的转变。

卫星图像连续预测

一样的模型结构，但是用了5张图片作输入

插值

克里金法（Kriging）（是依据协方差函数对随机过程/随机场进行空间建模和预测（插值）的回归算法  。）

结果

预测的各种数字，RMSE ,MAE说明模型的牛逼

预测的精度随着深度变化（0.82到0.97）

预测未来的土壤湿度帮助农业，预防暴涨淡水。