[论文解读] Dynamic Structure Learning through Graph Neural Network for Forecasting Soil Moisture in Precision Agriculture

Anoushka Vyas, Sambaran Bandyopadhyay|arXiv (Cornell University)|Dec 7, 2020

Computational Physics and Python Applications被引用 4

一句话总结

本文提出一种动态图神经网络（DGLR），联合学习时间图结构并预测精准农业中的土壤湿度，实现在存在缺失真实值情况下的真实世界数据中具有鲁棒性的性能。该方法通过整合特征平滑正则化和目标平滑正则化，在训练过程中动态优化图连接，从而实现最先进水平的准确性。

ABSTRACT

Soil moisture is an important component of precision agriculture as it directly impacts the growth and quality of vegetation. Forecasting soil moisture is essential to schedule the irrigation and optimize the use of water. Physics based soil moisture models need rich features and heavy computation which is not scalable. In recent literature, conventional machine learning models have been applied for this problem. These models are fast and simple, but they often fail to capture the spatio-temporal correlation that soil moisture exhibits over a region. In this work, we propose a novel graph neural network based solution that learns temporal graph structures and forecast soil moisture in an end-to-end framework. Our solution is able to handle the problem of missing ground truth soil moisture which is common in practice. We show the merit of our algorithm on real-world soil moisture data.

研究动机与目标

• 为利用数据驱动方法解决精准农业中准确且可扩展的土壤湿度预测挑战。
• 对区域间土壤湿度的时空相关性进行建模，而传统机器学习模型往往无法捕捉这些相关性。
• 开发一种半监督学习框架，能够有效利用带真实值的标记数据和真实值缺失的未标记土壤湿度数据。
• 学习随时间演变的动态图结构，以反映土壤湿度模式中变化的空间依赖关系。
• 通过在包含缺失土壤湿度值的不完整数据集上进行训练，提升对传感器和通信故障的鲁棒性。

提出的方法

• 该方法采用一种动态图神经网络（DGLR），基于节点特征和预测的土壤湿度值迭代更新图结构。
• 引入两种关键正则化项：特征平滑（FS），用于鼓励特征相似的节点之间建立连接；目标平滑（TS），用于促进土壤湿度值相似的节点之间建立连接。
• 模型在不同位置使用非共享的GRU参数，以捕捉各位置特有的土壤湿度时间动态。
• 图结构学习通过端到端优化损失函数实现，该损失函数结合了预测损失与FS和TS正则化项。
• 该框架以半监督方式训练，使模型能够在训练过程中同时利用标记和未标记的数据点。
• 初始图通过基于空间邻近性和相关性阈值的启发式方法构建，随后在训练过程中进行优化。

实验结果

研究问题

• RQ1 图神经网络框架是否能有效建模土壤湿度的时空依赖性，而无需依赖固定或预定义的图结构？
• RQ2 所提出的动态图学习方法在土壤湿度预测中与静态图基模型和仅序列模型相比表现如何？
• RQ3 该模型在真实世界数据集中对缺失真实值的土壤湿度值的处理能力如何？
• RQ4 模型性能对通过启发式方法构建的初始图结构的敏感程度如何？
• RQ5 特征平滑和目标平滑正则化项如何促进图结构的演化并提升预测准确性？

主要发现

• DGLR在真实世界土壤湿度数据集上实现了最先进水平的性能，优于所有静态图基模型和仅序列模型（如RNN）。
• 即使在训练数据中缺失高达30%的土壤湿度值时，模型性能也仅出现轻微下降，表明其对数据不完整性具有极强的鲁棒性。
• 在不同初始图构建阈值下性能保持稳定，表明对启发式初始化的敏感度较低。
• 特征平滑和目标平滑损失在训练过程中显著下降并趋于稳定，证实模型学习到了有意义且一致的图结构。
• 消融研究显示，DGLR的所有组件——非共享GRU、图结构学习和正则化项——对实现最佳性能均至关重要。
• DGLR在20%缺失值情况下的表现优于大多数在完全标记数据上训练的基线模型，凸显其在半监督设置下的高效性。