相关实验视频
Updated: Jun 5, 2025

08:20
In Situ Soil Moisture Sensors in Undisturbed Soils
Published on: November 18, 2022
6.1K
基于Lipschitz插值的数据驱动的土壤湿度和温度的时空估计
J M Manzano1, L Orihuela2, E Pacheco3
1Dpt. Ingeniería, Universidad Loyola Andalucía, Avda. de las Universidades, s/n, Dos Hermanas, 41704 Seville, Spain; ETEA Foundation Development Institute, Universidad Loyola Andalucía. Escritor Castilla Aguayo, 4. 14004 Córdoba, Spain.
ISA transactions
|December 4, 2024
概括
这项研究引入了一种新的机器学习方法,用于估计农业土壤变量. 利普希茨插值技术有效地模拟了时空土壤动态,为复杂模型提供了更简单的替代方案.
科学领域:
- 农业科学 农业科学
- 机器学习 机器学习
- 地理空间分析是什么
背景情况:
- 准确估计农业土壤变量对于精准农业至关重要.
- 像高斯过程和神经网络这样的现有方法可能是计算密集的.
- 对土壤数据的时空建模存在重大挑战.
研究的目的:
- 适应和验证一种非参数式机器学习技术,用于估计农业土壤变量.
- 探索Lipschitz插值用于学习时空动态的应用.
- 为土壤数据分析提供计算效率高的替代方案.
主要方法:
- 利用基于利普希茨插值的非参数机器学习方法.
- 调整了该方法,以单独处理二维空间和一维时间输入.
- 通过使用现实世界农业数据集与固有的测量噪声和量化验证了估计器.
主要成果:
- 利普希茨插值方法成功估计了农业土壤的变量.
- 该技术在捕捉空间时间土壤动态方面表现出有效性.
- 实验设置包括一个边缘层用于数据采集和一个云层用于处理.
结论:
- 利普希茨插值为土壤变量估计提供了高斯过程和神经网络的可行和更简单的替代方案.
- 适应的方法对实时农业数据分析有希望.
- 进一步的研究可以探索其可扩展性和在各种农业环境中的应用.

