印度安德拉洛约拉学院使用SARIMA和LSTM模型预测土壤水分水平的研究

科学领域:

• 农业科学 农业科学
• 数据科学数据科学数据科学
• 环境科学 环境科学

背景情况:

• 土壤湿度是农业和水文系统的一个关键变量.
• 准确的土壤湿度预测对于有效的水资源管理和作物产量优化至关重要.
• 传统的时间序列模型在捕捉土壤湿度数据中的复杂时间依赖性方面面临挑战.

研究的目的:

• 为了比较长期短期记忆 (LSTM) 和季节性自回归集成移动平均 (SARIMA) 模型对土壤水分的预测性能.
• 评估深度学习与统计方法在不同深度土壤水分的时间序列建模中的有效性.
• 为农业应用 SARIMA 和 LSTM 模型的设计和性能评估提供见解.

主要方法:

• 分析了1981年至2022年的每月平均土壤湿度数据 (表面,轮,根).
• 采用了季节性自回归集成移动平均 (SARIMA) 统计模型.
• 深度学习长期短期记忆 (LSTM) 模型被用于时间序列预测.
• 模型性能使用平均绝对百分比误差 (MAPE),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 来评估.

主要成果:

• 对于表面土壤水分,LSTM模型比SARIMA模型更高的预测准确度.
• 与SARIMA相比,LSTM实现了显著较低的MAPE (0.0615对比0.1541),MAE (0.0316对比0.0871),RMSE (0.0412对比0.1021) 与SARIMA相比.
• 这种LSTM的增强性能在整个配置和根土壤湿度预测中是一致的,这表明它的稳定性.

结论:

• 深度学习LSTM模型在土壤湿度时间序列预测方面比SARIMA更有效.
• 由于LSTM能够捕捉复杂的模式,因此它成为农业水资源管理的宝贵工具.
• 该研究证实了LSTM在预测不同土壤深度的土壤湿度方面的优势.