Dynamic graph learning framework based seasonal and trend decomposition approach for potato crop evapotranspiration prediction
Notice bibliographique
Résumé
Efficient estimation of crop water requirements (ETc) is important for sustainable agricultural water management, particularly under increasing climate variability. Traditional methods lack a comprehensive analysis of dynamic patterns associated with crop evapotranspiration factors. To address these limitations, we propose a dynamic graph-based Dual-Graph Semantic Fusion (DG-DGSF) for ETc estimation. The multivariate time series is decomposed into trend and seasonal parts. This decomposition enables us to attain two dynamic graphs, Seasonal Dynamic Graph (SDG) and Trend Dynamic Graph (TDG), with their semantic characteristics extracted through Dual-Graph Semantic Fusion (DGSF). Each model is incorporated with the Dynamic Graph Learner (DGL) model and Graph Convolutional based on Recurrent Unit (GC-GRU) to analyse the trend and seasonal components. The DGL receives the trend or seasonal information to produce dynamic graphs, while GC-GRU combines the dynamic graph characteristics with the original series data. To effectively combine and extract the semantic characteristics from the trend and seasonal parts, a contrastive learning model is designed, followed by a supervised prediction model based on a multi-layer perceptron. The proposed DG-DGSF model was tested on data collected over two years (2023-2024) in Prince Edward Island, Canada. Three experimental locations were selected within the research farm: Location 1 consisted of loam, Location 2 featured sandy loam, and Location 3 contained loamy sand. The DG-DGSF model is compared with state-of-the-art models, including BiLSTM, GRU, GCN, BiGRU, LSTNet, DGDL, TPA-LSTM, and GCN-LSTM. The performance of the DG-DGSF is evaluated using numerous visual, statistical and probability metrics. The results demonstrated that the DG-DGSF model outperformed the benchmark models with the lowest forecasting error and highest ETc prediction rates, RMSE = 0.0469, MAPE = 0.120, NRMSE = 0.0431, KGE = 0.977, NSE = 0.963.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».