Mar, 2024

神经网络用于创建化肥管理区域的反事实分析

PDF
TL;DR本研究提出了一种基于化肥响应的管理区（MZ）聚类方法，通过使用卷积神经网络（CNN）生成所有田地内的 N 响应曲线，并利用函数主成分分析对其进行特征化。结果显示，对于 MZ 成员资格影响最大的特征与地形特性相关，例如地势坡度或地势方位等，这些特性可能促进或阻碍化肥径流。
precision agriculturemanagement zonesfertilizer responsivityn-response curvesterrain characteristics
发现论文，激发创造
  • 神经网络生成响应曲线的反事实解释

    使用反事实解释（CFE）标识神经网络的输入特征对响应曲线的影响，并在两个 2-D 输入的作物产量预测数据集上测试通过改变被动特征的最小组合来改变响应曲线的形状，发现被动特征对于肥料反应性的影响取决于每个地块的地形特征。

    Apr, 2023

  • 基于学习的农业管理应对气候变异的部分可观测环境

    利用深度强化学习和递归神经网络结合的创新框架，在农业管理中引入智能代理，优化氮肥管理策略，并研究气候变异对农业结果和管理的影响，为适应动态气候情景提供了可行的可调整肥料策略。

    Jan, 2024

  • 基于因果机器学习的农业土地适宜性评估

    利用机器学习模型评估农业管理实践对农田适宜性的影响，研究发现在比利时的 Flanders 地区，农作物轮作对 NPP 没有显著影响，而景观作物多样性对 NPP 有小幅负面影响，并发现在空间上存在显著的异质性效应。

    Apr, 2022

  • 引导农民识别最佳作物管理的高效风险意识策略

    本项研究旨在探讨如何在不增加农民损失的前提下，寻找最佳农业肥料管理策略。利用一种名为 “赌博算法” 的模型，通过风险感知的度量标准和新颖的农学指标来比较农业肥料的效果，提高农户抵抗风险的能力。

    Oct, 2022

  • 应用强化学习和模仿学习优化农作物管理

    本文提出了一种智能作物管理系统，采用深度强化学习（RL）、模仿学习（IL）和作物模拟技术，通过同时优化氮肥施用和灌溉，解决了对特定种植环境和作物寻找最佳管理实践的挑战。实验结果表明，该管理系统在不同观测情况下的训练策略均取得了更好的效果，并且部分观测策略可以直接在实际情况中使用。

    Sep, 2022

  • 深度神经网络预测作物产量

    利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

    Feb, 2019

  • 使用生成模型的同胚反事实

    本文提出了一种简单但有效的方法来生成可解释神经网络分类决策的反事实案例，并探索了利用生成模型构建坐标系统的方法。文章分析了生成过程并利用定量和定性措施验证了生成的反事实案例的质量。

    Jun, 2022

  • 小农户决策支持系统的深度神经网络玉米产量预测模型

    通过设计深度神经网络回归器（DNNR），提出了一种新颖的 DNNR 模型，用于解决天气和土壤变量之间的非线性相互作用问题，同时引入了平均绝对平方根误差（ARSE）指标以综合评估预测准确性，在与随机森林回归器（RFR）和极端梯度提升回归器（XGBR）进行比较后，DNNR 在处理突发的气候和土壤变化数据时表现最佳，进一步的分析揭示了天气和土壤变量之间存在着强烈的相互作用。

    Jan, 2024

  • 边缘上的高能效不确定性感知生物质成分预测

    通过应用滤波修剪减少能量需求，该论文研究了草木混合物、草料探测、深度学习算法、与能量消耗相关的过滤修剪以及能源节约的方法，并在两个数据集上评估了该算法。

    Apr, 2024

  • 基于机器学习的智能农业营养应用时间推荐：基于大规模数据挖掘的方法

    本研究探讨了数据分析在农作物种植中监测肥料应用中的重要作用，提出了一种通过确定整个季节所需肥料数量来预测营养物质应用的解决方案，以天气条件和土壤特征为基础进行推荐肥料用量的调整，以促进经济高效和环保农业，同时研究肥料应用与天气数据对作物产量的影响，以冬小麦作为案例研究，通过了解当地的环境和地理因素，旨在稳定甚至降低对农业养分的需求，同时提升作物发展。该方案通过使用现实世界的大规模数据集得到了验证，具备高效可扩展性。

    Oct, 2023