一个数据驱动的混合机器学习技术的比较,用于使用遥感图像进行土壤湿度建模

科学领域:

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

背景情况:

• 土壤湿度对于农业生产力,水资源和生态系统健康至关重要,特别是在印度泰米尔纳德邦等雨水地区.
• 准确的土壤湿度预测对于有效的水资源管理和农业规划至关重要.

研究的目的:

• 评估和比较11个机器学习模型的性能,以预测季风季节的土壤湿度.
• 用降雨量和地形参数确定最准确的模型.

主要方法:

• 评估了11个机器学习模型,包括组合方法 (XGBoost,随机森林) 和混合模型 (LSTM-ALO,LSTM-INFO,RVFL-EROA,ANN-ERUN,RVM-IMRFO).
• 模型使用印度气象局降雨数据和高分辨率的土壤湿度数据集进行训练.
• 使用诸如根平均平方误差 (RMSE),纳什-萨特克利夫效率 (NSE) 和克林-古普塔效率 (KGE) 等指标来评估性能.

主要成果:

• 在土壤湿度预测方面,XGBoost和Random Forest展示了最高的准确性 (RMSE ≈ 0.018-0.019 m3/m3,NSE ≈ 0.983-0.984).
• 人工神经网络 (ANN) 和ANN-ERUN模型也表现出强的性能 (RMSE ≈0.020 m3/m3,NSE ≈0.980).
• 像RVFL-EROA和RVM-IMRFO这样的混合型号实现了适度的性能,而基于LSTM的模型由于优化器的灵敏性显示出更低的准确性.

结论:

• 集体和元启发增强的机器学习模型有效地捕捉了非线性土壤湿度变化.
• XGBoost和随机森林对于土壤湿度预测非常有效.
• 像ANN-ERUN,RVFL-EROA和RVM-IMRFO这样的混合模型可以补充数据稀疏地区的土壤湿度估计的整体方法.