[论文解读] 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 8

一句话总结

本文提出了一种新颖的深度学习集成模型，通过融合基于站点的土壤数据与卫星图像，提前五周预测加利福尼亚州圣巴巴拉县的草莓产量和价格。通过结合基于注意力机制的GRU-CNN-LSTM模型处理土壤数据，以及基于CNN-LSTM的集成模型处理卫星图像，投票集成模型在产量预测上比先前最先进的模型提高了33%的准确率，在价格预测上提高了21%。

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

研究动机与目标

• 通过整合多样化数据源的深度学习模型，提升草莓产量和价格预测的准确性。
• 应对在气象、土壤和灌溉因素高度不确定条件下预测生鲜农产品价格和产量的挑战。
• 开发一种混合预测系统，结合基于站点的土壤参数与遥感卫星数据，以提升预测性能。
• 在预测生鲜农产品产量和价格方面，超越现有的深度学习集成模型和简单LSTM模型。
• 为生鲜农产品市场中的农民和供应链管理者提供可扩展、数据驱动的决策支持。

提出的方法

• 使用20周滞后处理的基于站点的土壤温度和湿度数据作为输入，训练复合深度学习模型ATT-CNN-LSTM-SeriesNet_Ens，以预测产量和价格。
• 开发遥感集成模型SIM_CNN-LSTM_Ens，利用多光谱卫星图像映射到相应的产量和价格目标。
• 采用投票集成策略，对基于土壤和基于卫星的模型预测结果取平均，以提高鲁棒性和准确性。
• 在ATT-CNN-LSTM-SeriesNet_Ens模型中引入注意力机制，以增强从序列土壤数据中学习时间特征的能力。
• 在将卫星图像输入CNN-LSTM模型前，使用每种光谱波段32个区间的直方图表示进行预处理。
• 应用自定义的聚合性能度量（AGM）以评估和比较不同预测时长和指标下的模型性能。

实验结果

研究问题

• RQ1 与现有方法相比，融合基于站点的土壤参数和卫星图像的深度学习集成模型是否能提升草莓产量和价格预测的准确性？
• RQ2 注意力机制和混合架构（如CNN-LSTM-GRU）在建模产量和价格预测中的时间与空间模式方面有何增强作用？
• RQ3 通过投票集成方式结合基于土壤和遥感的模型，在多大程度上优于单个模型和先前的深度学习集成模型？
• RQ4 预测未来草莓产量和价格时，土壤参数的最佳滞后长度是多少？
• RQ5 尽管难以预测剧烈的价格和产量波动，所提出的模型在捕捉趋势方面表现如何？

主要发现

• 投票集成模型在产量预测中取得了6.0的聚合性能度量（AGM），相比先前最先进的深度学习集成模型提高了33%。
• 在价格预测中，投票集成模型取得了0.0555的AGM，相比文献中表现最佳的模型提高了21%。
• SIM_CNN-LSTM_Ens模型在产量预测中表现优于ATT-CNN-LSTM-SeriesNet_Ens（AGM：6.3 vs. 7.5），而后者在价格预测中表现更优（AGM：0.0557 vs. 0.0748）。
• 投票集成模型将平均绝对误差（MAE）降低至37.0（产量）和0.208（价格），优于两个组件模型及简单的LSTM基线模型。
• 产量预测的R²达到0.869，价格预测的R²达到0.764，表明与真实值具有较强的关联性。
• 尽管性能有所提升，模型在捕捉产量和价格的剧烈波动方面仍存在困难，表明其在实时决策支持方面存在关键局限。