IJCAIDec, 2020

面向精准农业的图神经网络动态结构学习预测土壤湿度

PDF
TL;DR本文提出了一种基于图神经网络的解决方案，学习时变图结构并在端到端框架中预测土壤湿度。该解决方案能够处理实践中常见的缺失地面真实土壤湿度的问题，并在真实世界的土壤湿度数据上展示了我们算法的优点。
soil moistureprecision agriculturemachine learninggraph neural networktemporal correlation
发现论文，激发创造
  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

    Nov, 2021

  • 在智慧农业中利用时间序列基础模型进行土壤湿度预测

    本研究探索了基于基础模型的时间序列预测在智能农业领域中的潜力，特别应用了 TimeGPT 模型来预测土壤水势，展示了其在农业应用中具有竞争力的预测准确性，为可持续发展的农业奠定了基础。

    May, 2024

  • 图形深度学习用于时间序列预测

    图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。

    Oct, 2023

  • 图神经网络与空间信息学习的集成天气预报后处理

    通过图神经网络结构表示站点位置并利用注意力机制从相邻位置获取相关预测信息，针对欧洲的 2 米温度预测案例研究中，该图神经网络模型在集合后处理方面相比竞争性神经网络后处理方法得到了显著改进。

    Jul, 2024

  • 基于图的深度学习用于海表温度预测

    该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

    Apr, 2023

  • 应用图神经网络预测全球天气

    使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

    Feb, 2022

  • 多时间序列预测的离散图结构学习

    本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。

    Jan, 2021

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 机器学习在作物产量和疾病预测中的应用：结合土壤营养和天气因素

    为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

    Mar, 2024

  • 自适应依赖学习图神经网络

    通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

    Dec, 2023