期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
多因素土壤墒情预测模型DA-LSTM-soil构建
被引量：
1
1
作者
车银超
郑光
+3 位作者
熊淑萍
张明天
马新明
席磊
《河南农业大学学报》
北大核心
2025年第4期698-710,共13页
【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题,构建多因素土壤墒情预测模型DA-LSTM-soil,提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入,采用LSTM网络为基本单元,构建Encoder-Decoder网...
【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题,构建多因素土壤墒情预测模型DA-LSTM-soil,提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入,采用LSTM网络为基本单元,构建Encoder-Decoder网络结构,分别引入特征和时间两个注意力模块。利用河南省许昌市2020—2021年冬小麦生长过程中物联网监测站的气象、土壤数据集,对DA-LSTM-soil模型进行训练和测试。同时,利用DA-LSTM-soil模型对河南省4个不同土壤类型的小麦种植区的数据集进行预测。【结果】对比试验表明,相较于LSTM、CNN-LSTM、CNN-LSTM-attention、LSTM-attention等深度学习模型,DA-LSTM-soil模型在S_(RME)、S_(ME)、A_(ME)、R^(2)评价指标更优,分别达到0.1764、0.0311、0.0466、0.9938。消融试验显示,时间注意力对模型性能的提升高于特征注意力。对时间步的试验显示,用过往3000 min的数据进行预测时,模型性能最佳;模型精度随着预测时长的增加有所下降,然而在5000 min内,决定系数R2仍保持在0.7以上。【结论】利用注意力机制,DA-LSTMsoil模型在Encoder前计算不同气象和土壤因素对墒情影响的权重,在Decoder前计算数据的时序对墒情预测的权重,双阶段注意力机制在特征提取和权重分配方面的作用显著,使模型具有更好的预测性能和泛化能力,可以为田块尺度麦田土壤墒情预测提供技术依据。
展开更多
关键词
麦田
土壤墒情预测
时序数据
长短期记忆网络
注意力机制
在线阅读
下载PDF
职称材料
题名
多因素土壤墒情预测模型DA-LSTM-soil构建
被引量：
1
1
作者
车银超
郑光
熊淑萍
张明天
马新明
席磊
机构
河南
农业大学信息与管理科学学院
河南省农田环境监测与控制技术工程实验室
河南
农业大学农学院
出处
《河南农业大学学报》
北大核心
2025年第4期698-710,共13页
基金
河南省重点研发专项(241111111500)
国家重点研发计划(2023YFD2301503)
+1 种基金
河南省重大科技专项(221100110700)
河南省科技攻关项目(222102110234)。
文摘
【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题,构建多因素土壤墒情预测模型DA-LSTM-soil,提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入,采用LSTM网络为基本单元,构建Encoder-Decoder网络结构,分别引入特征和时间两个注意力模块。利用河南省许昌市2020—2021年冬小麦生长过程中物联网监测站的气象、土壤数据集,对DA-LSTM-soil模型进行训练和测试。同时,利用DA-LSTM-soil模型对河南省4个不同土壤类型的小麦种植区的数据集进行预测。【结果】对比试验表明,相较于LSTM、CNN-LSTM、CNN-LSTM-attention、LSTM-attention等深度学习模型,DA-LSTM-soil模型在S_(RME)、S_(ME)、A_(ME)、R^(2)评价指标更优,分别达到0.1764、0.0311、0.0466、0.9938。消融试验显示,时间注意力对模型性能的提升高于特征注意力。对时间步的试验显示,用过往3000 min的数据进行预测时,模型性能最佳;模型精度随着预测时长的增加有所下降,然而在5000 min内,决定系数R2仍保持在0.7以上。【结论】利用注意力机制,DA-LSTMsoil模型在Encoder前计算不同气象和土壤因素对墒情影响的权重,在Decoder前计算数据的时序对墒情预测的权重,双阶段注意力机制在特征提取和权重分配方面的作用显著,使模型具有更好的预测性能和泛化能力,可以为田块尺度麦田土壤墒情预测提供技术依据。
关键词
麦田
土壤墒情预测
时序数据
长短期记忆网络
注意力机制
Keywords
wheat fields
soil moisture prediction
time-serial data
long short-term memory neural network
attention mechanism
分类号
S24 [农业科学—农业电气化与自动化]
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多因素土壤墒情预测模型DA-LSTM-soil构建
车银超
郑光
熊淑萍
张明天
马新明
席磊
《河南农业大学学报》
北大核心
2025
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
