Utilidad de los algoritmos de aprendizaje profundo en los modelos de predicción del período inicial de floración
Autores: Jiao, Guanjie; Shentu, Xiawei; Zhu, Xiaochen; Song, Wenbo; Song, Yujia; Yang, Kexuan
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Utilidad de los algoritmos de aprendizaje profundo en los modelos de predicción del período inicial de floración
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Algoritmo de aprendizaje profundo
Período inicial de floración
Factores meteorológicos
Explicación Aditiva Shapely
Red neuronal recurrente
Memoria a largo plazo corto plazo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La aplicación de un algoritmo de aprendizaje profundo (DL) puede predecir de manera más precisa el período de floración inicial de (L.) Franco. En esta investigación, aplicamos DL para establecer un modelo de predicción a largo plazo a nivel nacional del período de floración inicial de y analizamos la tasa de contribución de los factores meteorológicos a través de la Explicación Aditiva de Shapley (SHAP). Con base en los datos meteorológicos diarios de las principales estaciones meteorológicas en China de 1963 a 2015 y la observación de datos de floración inicial de 23 estaciones fenológicas, establecimos modelos de predicción utilizando redes neuronales recurrentes (RNN), memoria a corto y largo plazo (LSTM) y unidad recurrente con compuertas (GRU). El error absoluto medio (MAE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación () se utilizaron como indicadores de efecto de entrenamiento para evaluar la precisión de la predicción. Los resultados de la simulación muestran que los tres modelos son aplicables para predecir la floración inicial a nivel nacional en China, con la precisión promedio de GRU siendo la más alta, seguida por LSTM y la RNN, lo cual es significativamente mayor que la precisión de predicción del modelo de regresión basado en la temperatura acumulada del aire. En el análisis de interpretabilidad, las tasas de contribución de los factores de los tres modelos son similares, los 46 factores de tipo temperatura tienen la tasa de contribución más alta con el 58.6% de la tasa de contribución de factores de temperatura siendo mayor que 0 y la tasa de contribución promedio siendo 5.48 x 10, y la estabilidad de la tasa de contribución de los factores relacionados con el factor de temperatura mínima diaria tiene fluctuaciones obvias con una desviación estándar promedio de 8.57 x 10, lo cual podría estar relacionado con la sensibilidad de las plantas al estrés por bajas temperaturas. El modelo GRU puede predecir con precisión la regla de cambio de la floración inicial, con una precisión promedio mayor al 98%, y el efecto de simulación es el mejor, lo que indica que la aplicación potencial del modelo GRU es la predicción de la floración inicial.
Descripción
La aplicación de un algoritmo de aprendizaje profundo (DL) puede predecir de manera más precisa el período de floración inicial de (L.) Franco. En esta investigación, aplicamos DL para establecer un modelo de predicción a largo plazo a nivel nacional del período de floración inicial de y analizamos la tasa de contribución de los factores meteorológicos a través de la Explicación Aditiva de Shapley (SHAP). Con base en los datos meteorológicos diarios de las principales estaciones meteorológicas en China de 1963 a 2015 y la observación de datos de floración inicial de 23 estaciones fenológicas, establecimos modelos de predicción utilizando redes neuronales recurrentes (RNN), memoria a corto y largo plazo (LSTM) y unidad recurrente con compuertas (GRU). El error absoluto medio (MAE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación () se utilizaron como indicadores de efecto de entrenamiento para evaluar la precisión de la predicción. Los resultados de la simulación muestran que los tres modelos son aplicables para predecir la floración inicial a nivel nacional en China, con la precisión promedio de GRU siendo la más alta, seguida por LSTM y la RNN, lo cual es significativamente mayor que la precisión de predicción del modelo de regresión basado en la temperatura acumulada del aire. En el análisis de interpretabilidad, las tasas de contribución de los factores de los tres modelos son similares, los 46 factores de tipo temperatura tienen la tasa de contribución más alta con el 58.6% de la tasa de contribución de factores de temperatura siendo mayor que 0 y la tasa de contribución promedio siendo 5.48 x 10, y la estabilidad de la tasa de contribución de los factores relacionados con el factor de temperatura mínima diaria tiene fluctuaciones obvias con una desviación estándar promedio de 8.57 x 10, lo cual podría estar relacionado con la sensibilidad de las plantas al estrés por bajas temperaturas. El modelo GRU puede predecir con precisión la regla de cambio de la floración inicial, con una precisión promedio mayor al 98%, y el efecto de simulación es el mejor, lo que indica que la aplicación potencial del modelo GRU es la predicción de la floración inicial.