[论文解读] 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 5

一句话总结

本文综述了智能灌溉预测技术，重点聚焦于机器学习和计算模型在估算蒸散量及优化用水方面的应用。评估了支持向量机（SVM）、人工神经网络（ANN）、模糊逻辑以及混合遗传算法（GA）模型等方法，结论指出在时间序列灌溉预测任务中，集成或混合方法优于单一模型。

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.

研究动机与目标

• 分析并比较应对农业水资源短缺与效率低下的智能灌溉预测技术。
• 评估基于环境变量的计算与统计方法在预测灌溉用水需求方面的有效性。
• 识别在蒸散量估算与灌溉调度中表现优异的机器学习模型。
• 基于类似时间序列预测任务中的表现，推荐一种更优的混合模型架构。

提出的方法

• 将灌溉预测技术分类为基于物理相关性的计算方法与基于算法的统计方法。
• 综述并比较机器学习模型：逻辑回归、决策树、支持向量机（SVM）、模糊逻辑、人工神经网络（ANNs）以及混合遗传算法（GA）模型。
• 分析模型如何解释气温、气压等气象参数与蒸散量之间的关系。
• 评估模型利用特定区域条件的预计算数值关系存储与应用能力。
• 基于时间序列预测的标准指标评估模型性能，尤其在动态环境条件下。
• 基于类似预测任务中的优异表现，推荐采用混合模型方法，特别是将遗传算法与神经网络结合的模型。

实验结果

研究问题

• RQ1 哪些机器学习模型在预测灌溉用水需求方面表现出最高精度？
• RQ2 基于物理参数的计算模型与统计模型在灌溉预测中表现如何比较？
• RQ3 混合模型，尤其是将遗传算法与神经网络结合的模型，在提升预测性能方面发挥何种作用？
• RQ4 不同模型如何处理气温与蒸散量等环境因素的变异性？
• RQ5 基于实证性能，哪种模型架构在时间序列灌溉预测中最为有效？

主要发现

• 混合模型，特别是将遗传算法与人工神经网络结合的模型，在灌溉预测任务中表现更优。
• 支持向量机（SVM）和人工神经网络（ANNs）在预测蒸散量方面优于逻辑回归和决策树等传统模型。
• 模糊逻辑技术在处理环境数据中的不确定性与非线性关系方面表现有效。
• 整合领域特定训练数据可提升模型精度与区域适应性。
• 在动态多变环境中，统计模型如SVM与ANN比纯计算模型更有效。
• 本文推荐采用混合GA-ANN模型作为灌溉预测最具前景的方法，因其在时间序列预测中表现出强健性。