“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。
标签:感知器,预测,插入,解码器,lstm,SMARTCAST,土壤湿度,土壤水分 From: https://www.cnblogs.com/xinxuann/p/17121203.html