Evaluando la predicción de series temporales de temperatura, humedad relativa y CO en el invernadero con modelos basados en transformadores y RNN
Autores: Ahn, Ju Yeon; Kim, Yoel; Park, Hyeonji; Park, Soo Hyun; Suh, Hyun Kwon
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluando la predicción de series temporales de temperatura, humedad relativa y CO en el invernadero con modelos basados en transformadores y RNN
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Invernaderos
Crecimiento de plantas
Condiciones ambientales
Precisión de predicción
Modelos basados en transformadores
Modelos basados en RNN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
En los invernaderos, el crecimiento de las plantas se ve directamente influenciado por las condiciones ambientales internas, por lo que requiere una gestión continua y un control ambiental adecuado. Condiciones ambientales inadecuadas hacen que las plantas sean vulnerables a plagas y enfermedades, disminuyan los rendimientos y provoquen un crecimiento y desarrollo deteriorados. Estudios previos han explorado la combinación del historial de control de actuadores de invernadero con datos ambientales internos y externos para mejorar la precisión de la predicción, utilizando modelos basados en aprendizaje profundo como RNNs y LSTMs. En los últimos años, los modelos basados en transformadores y los modelos basados en RNN han mostrado un buen rendimiento en diversos campos. Sin embargo, sus aplicaciones para la predicción de series temporales en un entorno de invernadero siguen sin explorarse. Por lo tanto, el objetivo de este estudio fue evaluar el rendimiento de la predicción de la temperatura, la humedad relativa (RH) y la concentración de CO en un invernadero después de 1 y 3 h, utilizando un modelo basado en transformadores (Autoformer), variantes de dos modelos RNN (LSTM y SegRNN) y un modelo lineal simple (DLinear). El rendimiento de estos cuatro modelos se comparó para evaluar si los modelos más avanzados (SOTA), Autoformer y SegRNN, son tan efectivos como DLinear y LSTM en la predicción de entornos de invernadero. El análisis se basó en cuatro muestras de datos climáticos externos, tres muestras de datos internos y seis muestras de datos de actuadores. En general, DLinear y SegRNN superaron consistentemente a Autoformer y LSTM. Tanto DLinear como SegRNN tuvieron un buen rendimiento en general, pero no fueron tan efectivos en la predicción de la concentración de CO. SegRNN superó a DLinear en las predicciones de CO, al tiempo que mostraba un rendimiento similar en la predicción de temperatura y RH. Los resultados de este estudio no proporcionan una conclusión definitiva de que los modelos basados en transformadores, como Autoformer, sean inferiores a los modelos basados en lineales como DLinear o ciertos modelos basados en RNN como SegRNN en la predicción de series temporales para entornos de invernadero.
Descripción
En los invernaderos, el crecimiento de las plantas se ve directamente influenciado por las condiciones ambientales internas, por lo que requiere una gestión continua y un control ambiental adecuado. Condiciones ambientales inadecuadas hacen que las plantas sean vulnerables a plagas y enfermedades, disminuyan los rendimientos y provoquen un crecimiento y desarrollo deteriorados. Estudios previos han explorado la combinación del historial de control de actuadores de invernadero con datos ambientales internos y externos para mejorar la precisión de la predicción, utilizando modelos basados en aprendizaje profundo como RNNs y LSTMs. En los últimos años, los modelos basados en transformadores y los modelos basados en RNN han mostrado un buen rendimiento en diversos campos. Sin embargo, sus aplicaciones para la predicción de series temporales en un entorno de invernadero siguen sin explorarse. Por lo tanto, el objetivo de este estudio fue evaluar el rendimiento de la predicción de la temperatura, la humedad relativa (RH) y la concentración de CO en un invernadero después de 1 y 3 h, utilizando un modelo basado en transformadores (Autoformer), variantes de dos modelos RNN (LSTM y SegRNN) y un modelo lineal simple (DLinear). El rendimiento de estos cuatro modelos se comparó para evaluar si los modelos más avanzados (SOTA), Autoformer y SegRNN, son tan efectivos como DLinear y LSTM en la predicción de entornos de invernadero. El análisis se basó en cuatro muestras de datos climáticos externos, tres muestras de datos internos y seis muestras de datos de actuadores. En general, DLinear y SegRNN superaron consistentemente a Autoformer y LSTM. Tanto DLinear como SegRNN tuvieron un buen rendimiento en general, pero no fueron tan efectivos en la predicción de la concentración de CO. SegRNN superó a DLinear en las predicciones de CO, al tiempo que mostraba un rendimiento similar en la predicción de temperatura y RH. Los resultados de este estudio no proporcionan una conclusión definitiva de que los modelos basados en transformadores, como Autoformer, sean inferiores a los modelos basados en lineales como DLinear o ciertos modelos basados en RNN como SegRNN en la predicción de series temporales para entornos de invernadero.