计算训练机器学习模型所需的最小数据,以使用遥感准确监测澳大利亚乳牧场
Martin Correa-Luna1, Juan Gargiulo2, Peter Beale3
1Dairy Science Group, School of Life and Environmental Sciences, Faculty of Science, The University of Sydney, Camden, NSW, 2567, Australia. martin.correa.luna@gmail.com.
Scientific reports
|July 23, 2024
概括
准确的牧场生物质预测用于牧场管理是可以通过机器学习卫星工具实现的. 最少的数据,特别是每月两周的培训数据,与没有培训相比,显著提高了预测准确性.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 精准放牧管理依赖于准确的牧场监测,通常受到劳动密集型和不准确的传统方法的阻碍.
- 机器学习 (ML) 和大数据,包括遥感,在牧场监测中提供了先进的决策支持工具 (DST) 的潜力.
- 基于ML的DST在农场采用是有限的,因为关于其准确性的证据不足.
研究的目的:
- 评估和量化训练基于ML的卫星DST所需的最小数据,以准确预测牧场生物质.
- 评估基于卫星的牧场生物质估计与校准的上升板表 (RPM) 的准确性.
主要方法:
- 使用了澳大利亚新南威尔士州14个农场的管理数据,超过12个月.
- 采集的牧场生物质数据使用校准的上升板表 (RPM) 和估计的生物质使用基于卫星的DST.
- 用逐渐增加的每周数据子集 (1W,2W,3W,4W) 训练了ML模型,并使用平均绝对误差 (MAE) 对RPM测量进行评估.
主要成果:
- 单一一周的训练数据 (1W) 与没有训练相比,没有显著改善DST预测的准确性 (MAE: 498 kg DM/ha).
- 使用两周数据 (2W) 的训练显著降低了MAE,达到342公斤的DM/ha (P<0.001).
- 进一步增加的培训数据 (3W,4W) 在MAE中只带来了微不足道的改善,这表明回报正在减少.
结论:
- 最少的训练数据,具体来说每月两周,足以让基于ML的卫星DST实现与黄金标准校准RPM相比的牧场生物质预测准确度.
- 这项研究提供了关于数据要求的关键证据,为在农场决策支持中更广泛采用精确的卫星牧场监测工具铺平了道路.
