噪声对精准农业中使用非线性自回归外生机器学习模型估算根区土壤总含水量精度的影响

《Irrigation and Drainage》：Effects of Noise on the Accuracy of Estimating Rootzone Total Soil Moisture Using a Non-Linear Autoregressive Exogenous Machine Learning Model for Precision Agriculture

　　

摘要

en此链接指向英文部分fr此链接指向法文部分

广泛使用的基于蒸散量（ET）的灌溉方法包含许多不确定性因素，这些因素可能影响灌溉水量。为了减少这些不确定性，一种替代方法是利用土壤含水量（SM）数据来估算植物水分吸收量（PWU）。如果根区土壤含水量动态被理解，则可以开发一个替代性机器学习（ML）模型来预测土壤含水量动态的行为，从而估算PWU。鉴于土壤含水量的时间依赖性和外部变量依赖性，非线性自回归外生（NARX）算法可能是用于此目的的更优机器学习模型。然而，测量误差的影响可能会影响预测质量，从而影响数据采集技术和计算算法的完全部署。本文提出了一种方法论，包括分析真实数据、开发广义假设性土壤含水量曲线、模拟测量误差以生成含噪数据集以及开发机器学习模型。结果表明，预测精度与噪声水平成反比。在测量误差不超过10%的情况下，NARX模型能够以相对较高精度捕捉土壤含水量动态。然而，当噪声水平增加到20%时，预测质量显著下降。对于噪声水平在5%以内的情况，模型预测精度显著较高，所有数据集的相关系数均高于0.90。

摘要

en此链接指向英文部分fr此链接指向法文部分

广泛使用的基于蒸散量（ET）的灌溉方法包含许多不确定性因素，这些因素可能对灌溉水量产生影响。为了减少这些不确定性，一种替代方法是利用土壤含水量（SM）数据来估算植物水分吸收量（PWU）。一旦理解根区土壤含水量的动态变化，就可以开发一个替代性机器学习（ML）模型来预测该动态，从而估算PWU。鉴于土壤含水量（SM）对时间和外部变量的依赖性，NARX（非线性自回归外生模型）算法可能是用于此目的的更优机器学习模型。然而，测量误差的影响可能会影响预测质量，从而影响数据采集技术和计算算法的完全部署。本文提出了一种方法论，包括分析真实数据、制定广义理论土壤含水量曲线、模拟测量误差以生成含噪数据集以及开发机器学习模型。结果表明，预测精度与噪声水平成反比。在测量误差不超过10%的情况下，NARX模型能够以相对较高精度重现土壤含水量动态。然而，当噪声水平增加到20%时，预测质量显著下降。对于噪声水平低于5%的情况，模型预测精度仍然显著较高，所有数据集的相关系数均高于0.90。

数据可用性声明

支持本研究结果的数据可通过向通讯作者提出合理请求获得。