[論文レビュー] Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters

Mohita Chaudhary, Mohamed Sadok Gastli+2 more|arXiv (Cornell University)|Feb 17, 2021

Horticultural and Viticultural Research参考文献 25被引用数 8

ひとこと要約

本論文は、カリフォルニア州サンタバーバラ郡のイチゴの収穫量と価格を5週間先んじて予測する、新しい深層学習アンサンブルモデルを提案する。土壌データと衛星画像を統合することで、収穫量の予測精度が前例の最高水準のモデル比で33%向上し、価格予測では21%向上した。

ABSTRACT

Computational tools for forecasting yields and prices for fresh produce have been based on traditional machine learning approaches or time series modelling. We propose here an alternate approach based on deep learning algorithms for forecasting strawberry yields and prices in Santa Barbara county, California. Building the proposed forecasting model comprises three stages: first, the station-based ensemble model (ATT-CNN-LSTM-SeriesNet_Ens) with its compound deep learning components, SeriesNet with Gated Recurrent Unit (GRU) and Convolutional Neural Network LSTM with Attention layer (Att-CNN-LSTM), are trained and tested using the station-based soil temperature and moisture data of SantaBarbara as input and the corresponding strawberry yields or prices as output. Secondly, the remote sensing ensemble model (SIM_CNN-LSTM_Ens), which is an ensemble model of Convolutional NeuralNetwork LSTM (CNN-LSTM) models, is trained and tested using satellite images of the same county as input mapped to the same yields and prices as output. These two ensembles forecast strawberry yields and prices with minimal forecasting errors and highest model correlation for five weeks ahead forecasts.Finally, the forecasts of these two models are ensembled to have a final forecasted value for yields and prices by introducing a voting ensemble. Based on an aggregated performance measure (AGM), it is found that this voting ensemble not only enhances the forecasting performance by 5% compared to its best performing component model but also outperforms the Deep Learning (DL) ensemble model found in literature by 33% for forecasting yields and 21% for forecasting prices

研究の動機と目的

• 多様なデータソースを統合する深層学習モデルを用いて、イチゴの収穫量と価格の予測精度を向上させること。
• 天候、土壌、灌漑要因による高い不確実性のもとで、新鮮な農産物の価格と収穫量を予測する課題に対処すること。
• ステーションベースの土壌パラメータとリモートセンシングによる衛星データを組み合わせたハイブリッド予測システムを構築し、予測性能を向上させること。
• 既存の深層学習アンサンブルモデルや単純なLSTMモデルを上回る、新鮮な農産物の収穫量と価格の両方の予測性能を達成すること。
• 新鮮な農産物市場における農家やサプライチェーンマネージャーが利用可能なスケーラブルでデータドリブンな意思決定支援を可能にすること。

提案手法

• 20週間のラグ付きステーションベースの土壌温度および水分量データを入力として使用し、収穫量と価格を予測する複合深層学習モデル、ATT-CNN-LSTM-SeriesNet_Ens を訓練した。
• 対応する収穫量および価格ターゲットにマッピングされたマルチスペクトル衛星画像を用いて、リモートセンシングアンサンブルモデル、SIM_CNN-LSTM_Ens を開発した。
• 土壌ベースと衛星ベースのモデルの予測を平均化する投票アンサンブル戦略を採用し、予測の頑健性と精度を向上させた。
• 時系列土壌データからの時系列特徴の学習を強化するために、ATT-CNN-LSTM-SeriesNet_Ens モデルにアテンション機構を統合した。
• CNN-LSTM モデルに供給する前に、衛星画像を32ビン/スペクトルバンドごとのヒストグラムベースの表現に変換して前処理した。
• 異なる予測期間と評価指標の下でモデル性能を評価・比較するために、独自に開発した集約性能指標（AGM）を適用した。

実験結果

リサーチクエスチョン

• RQ1 ステーションベースの土壌パラメータと衛星画像を統合する深層学習アンサンブルモデルは、従来の手法と比較してイチゴの収穫量と価格の予測精度を向上させることができるか？
• RQ2 アテンション機構やハイブリッドアーキテクチャ（例：CNN-LSTM-GRU）は、収穫量と価格予測における時空間的パターンのモデリングをどのように向上させるか？
• RQ3 投票アンサンブルによって土壌ベースとリモートセンシングベースのモデルを統合することで、個々のモデルや従来の深層学習アンサンブルモデルを上回る性能が得られるか、その程度はいかほどか？
• RQ4 土壌パラメータの最適なラグ長は何か、それが将来のイチゴの収穫量と価格を予測するのにどのように寄与するか？
• RQ5 限られた価格や収穫量の急激な変動を予測できる能力に欠けるにもかかわらず、提案されたモデルはトレンドを捉えるのにどれほど一般化可能か？

主な発見

• 投票アンサンブルモデルは収穫量予測で6.0の集約性能指標（AGM）を達成し、従来の最高水準の深層学習アンサンブルモデル比で33%の向上を示した。
• 価格予測では、投票アンサンブルモデルがAGM 0.0555を達成し、文献に登場する最良のモデル比で21%の向上を示した。
• SIM_CNN-LSTM_Ens モデルは収穫量予測でAGM 6.3（対するATT-CNN-LSTM-SeriesNet_Ens はAGM 7.5）を記録し、性能が優れていたが、価格予測では逆にATT-CNN-LSTM-SeriesNet_Ens（AGM 0.0557）がSIM_CNN-LSTM_Ens（AGM 0.0748）を上回った。
• 投票アンサンブルは平均絶対誤差（MAE）を収穫量で37.0、価格で0.208まで低下させ、両方の構成モデルおよび単純なLSTMベースラインを上回った。
• 収穫量予測では決定係数R²が0.869、価格予測では0.764を達成し、真の値と強い相関関係があることを示した。
• 性能向上にもかかわらず、モデルは依然として収穫量と価格の急激な変動を捉えることができず、リアルタイム意思決定における主要な制限要因であると判明した。