时间序列预测茶园中的昆虫害虫
Xuanyu Chen1, Md Mehedi Hassan1, Jinghao Yu1
1School of Food and Biological Engineering, Jiangsu University, Zhenjiang, PR China.
Journal of the science of food and agriculture
|February 19, 2024
概括
LSTM-注意力和长期短期记忆 (LSTM) 模型对预测茶园中的白种群显示出希望. LSTM-Attention在7天的预测中表现出色,而LSTM在3天的预测中表现最好,有助于害虫控制战略.
科学领域:
- 农业科学 农业科学
- 数据科学数据科学数据科学
- 昆虫学 昆虫学是一门学科.
背景情况:
- 有效的茶园害虫防治对于保持茶叶质量至关重要.
- 准确的时间序列预测昆虫害虫对于主动管理至关重要.
- 关于将深度学习应用于茶园害虫预测的研究有限.
研究的目的:
- 调查深度学习算法对白种群时间序列预测在茶园中的有效性.
- 为了比较Informer,长短期内存 (LSTM) 网络和LSTM-Attention模型的性能.
- 评估预测长度对模型准确性的影响.
主要方法:
- 使用了三个深度学习算法:Informer,LSTM和LSTM-Attention.
- 应用模型来预测茶园环境中的白种群.
- 基于不同预测长度 (3天和7天) 的预测准确度指标 (RMSE,MAE) 分析模型性能.
主要成果:
- 对于7天的预测,LSTM-Attention实现了最佳结果,平均RMSE为2.84和MAE为2.52.
- 对于3天的预测,LSTM表现最好,平均RMSE为2.60,MAE为2.24.
- 模型性能受到所选择的预测长度的影响.
结论:
- 深度学习模型,特别是LSTM-Attention,可以有效地应用于茶园害虫的时间序列预测.
- 这项研究为利用时间序列分析来控制茶叶植物害虫和疾病提供了理论基础.
- 这些发现支持将先进的计算方法纳入农业害虫管理中.
