[論文レビュー] A Review of Intelligent Practices for Irrigation Prediction

Hans Krupakar, Akshay Jayakumar+1 more|arXiv (Cornell University)|Dec 7, 2016

Hydrological Forecasting Using AI参考文献 65被引用数 5

ひとこと要約

本稿は、蒸発散の推定と水の使用最適化を目的とした機械学習および計算モデルに焦点を当てた、知能的な灌漑予測技術のレビューである。サポートベクターマシン（SVM）、人工ニューラルネットワーク（ANN）、ファジィ論理、およびハイブリッド型遺伝的アルゴリズム（GA）ベースのモデルを含む手法を評価し、時系列の灌漑予測タスクにおいて、アンサンブルまたはハイブリッド型アプローチが個々のモデルを上回ることを結論づけている。

ABSTRACT

Population growth and increasing droughts are creating unprecedented strain on the continued availability of water resources. Since irrigation is a major consumer of fresh water, wastage of resources in this sector could have strong consequences. To address this issue, irrigation water management and prediction techniques need to be employed effectively and should be able to account for the variabilities present in the environment. The different techniques surveyed in this paper can be classified into two categories: computational and statistical. Computational methods deal with scientific correlations between physical parameters whereas statistical methods involve specific prediction algorithms that can be used to automate the process of irrigation water prediction. These algorithms interpret semantic relationships between the various parameters of temperature, pressure, evapotranspiration etc. and store them as numerical precomputed entities specific to the conditions and the area used as the data for the training corpus used to train it. We focus on reviewing the computational methods used to determine Evapotranspiration and its implications. We compare the efficiencies of different data mining and machine learning methods implemented in this area, such as Logistic Regression, Decision Tress Classifier, SysFor, Support Vector Machine(SVM), Fuzzy Logic techniques, Artifical Neural Networks(ANNs) and various hybrids of Genetic Algorithms (GA) applied to irrigation prediction. We also recommend a possible technique for the same based on its superior results in other such time series analysis tasks.

研究の動機と目的

• 水不足と農業における水の非効率利用という問題に対処する知的灌漑予測技術を分析・比較すること。
• 気象変数に基づく灌漑用水需要を予測するための計算および統計的手法の有効性を評価すること。
• 蒸発散推定と灌漑スケジューリングに優れた性能を示す機械学習モデルを同定すること。
• 類似した時系列予測タスクにおける性能に基づき、優れたハイブリッド型モデルアーキテクチャを提案すること。

提案手法

• 灌漑予測技術を、物理的相関に基づく計算手法（物理的パラメータに依存）と、アルゴリズム駆動の統計的手法に分類する。
• 機械学習モデル（ロジスティック回帰、決定木、SVM、ファジィ論理、人工ニューラルネットワーク（ANN）、およびハイブリッド型遺伝的アルゴリズム（GA）モデル）をレビューし、比較する。
• 気温、気圧、蒸発散量などの気象パラメータ間の関係をモデルがどのように解釈するかを分析する。
• 地域の条件に特化した訓練データから事前に計算された数値的関係を格納・活用する能力に基づき、モデルを評価する。
• 特に動的環境下での時系列予測において、標準的な指標を用いてモデルの性能を評価する。
• 類似した予測タスクにおける優れた結果を示したことを踏まえ、特に遺伝的アルゴリズムとニューラルネットワークを統合したハイブリッド型モデルの導入を推奨する。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習モデルが灌漑用水需要の予測において最も高い精度を示すか？
• RQ2 物理的パラメータに基づく計算モデルと統計的手法に基づくモデルは、灌漑予測においてどのように比較されるか？
• RQ3 特に遺伝的アルゴリズムとニューラルネットワークを統合するハイブリッドモデルは、予測性能の向上にどのような役割を果たすか？
• RQ4 異なるモデルは、気温や蒸発散量といった環境要因の変動をどのように処理するか？
• RQ5 経験的性能に基づくと、時系列灌漑予測に最も効果的なモデルアーキテクチャは何か？

主な発見

• 特に遺伝的アルゴリズムと人工ニューラルネットワークを統合したハイブリッド型モデルは、灌漑予測タスクにおいて優れた性能を示す。
• サポートベクターマシン（SVM）と人工ニューラルネットワーク（ANN）は、ロジスティック回帰や決定木といった従来のモデルを上回り、蒸発散量の予測において優れた性能を発揮する。
• ファジィ論理手法は、環境データにおける不確実性と非線形的関係の処理に有効である。
• 分野特化型の訓練データの統合により、モデルの精度と地域への適応性が向上する。
• 動的で変動の大きい環境下では、統計的手法（SVM や ANN）が純粋な計算モデルよりも効果的である。
• 本稿では、時系列予測の分野における頑健性を考慮し、ハイブリッド型GA-ANNモデルを灌漑予測の最も有望なアプローチとして推奨している。