ИНТЕГРАЦИЯ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПОВЫШЕНИЯ ОТКАЗОУСТОЙЧИВОСТИ МОДЕЛИ ВЛАГОПЕРЕНОСА В СИСТЕМЕ «УМНЫЙ САД»
Аннотация
Представлено исследование по разработке и интеграции рекуррентной нейронной сети (RNN) для повышения точности и отказоустойчивости модели влагопереноса в системе «Умный сад». Проблема контроля влажности почвы становится особенно актуальной в современных условиях сельского хозяйства и экологического мониторинга, где требуется высокая точность для управления водными ресурсами, прогнозирования урожайности и предотвращения засушливых периодов. Традиционные методы, такие как дистанционное зондирование и модели влагопереноса, имеют существенные ограничения: низкая точность, сложность вычислений, зависимость от точных данных сенсоров и сложность применения в реальных полевых условиях. Для решения этих проблем в исследовании предлагается использование RNN, способной эффективно обрабатывать временные ряды данных и прогнозировать влажность почвы даже при наличии неполных, неточных или искажённых входных данных. В качестве исходных данных использованы глобальный датасет влажности почвы GSSM и погодные данные платформы Meteostat, что позволило учесть климатические особенности регионов с разными типами почвы. Модель включает слой долговременной краткосрочной памяти (LSTM) и полносвязный слой для финального прогнозирования. Особое внимание уделено предобработке данных, включая расчёт среднедневных, среднемесячных и среднегодовых значений, а также коррекцию данных с учётом характеристик различных типов почв. Проведённое исследование показало, что разработанная модель RNN обладает высокой устойчивостью к сбоям в работе сенсоров, минимальной зависимостью от объёма входных данных и способностью адаптироваться к разным климатическим и почвенным условиям. Предлагаемое решение позволяет улучшить точность мониторинга влажности почвы в системе «Умный сад», оптимизировать использование водных ресурсов и повысить стабильность работы системы в условиях изменяющихся внешних факторов. Таким образом, интеграция RNN открывает новые возможности для развития сельского хозяйства и экологии, обеспечивая более эффективное управление водными ресурсами и повышение производительности агросистем
Список литературы
1. Anagnostopoulos V. et al. A modernized version of a 1D soil vegetation atmosphere transfer model for improving its future use in land surface interactions studies, Environmental Modelling & Software, 2017, Vol. 90, pp. 147-156. Available at: https://doi.org/10.1016/j.envsoft.2017.01.004.
2. Gili P. et al. An unmanned lighter-than-air platform for large scale land monitoring, Remote Sensing, 2021, Vol. 13, No. 13, pp. 2523. Available at: https://doi.org/10.3390/rs13132523.
3. Sadeghi M. et al. The optical trapezoid model: A novel approach to remote sensing of soil moisture ap-plied to Sentinel-2 and Landsat-8 observations, Remote sensing of environment, 2017, Vol. 198,
pp. 52-68. Available at: https://doi.org/10.1016/j.rse.2017.05.041.
4. Dubois P.C., Van Zyl J., Engman T. Measuring soil moisture with imaging radars, IEEE transactions on geoscience and remote sensing, 1995, Vol. 33, No. 4, pp. 915-926.
5. Oh Y., Sarabandi K., Ulaby F.T. An empirical model and an inversion technique for radar scattering from bare soil surfaces, IEEE transactions on Geoscience and Remote Sensing, 1992, Vol. 30, No. 2, pp. 370-381. Available at: https://doi.org/10.1109/36.134086.
6. Attema E.P.W., Ulaby F.T. Vegetation modeled as a water cloud, Radio science, 1978, Vol. 13, No. 2, pp. 357-364. Available at: https://doi.org/10.1029/RS013i002p00357.
7. Rice S.O. Reflection of electromagnetic waves from slightly rough surfaces, Communications on pure and applied mathematics, 1951, Vol. 4, No. 2-3, pp. 351-378. Available at: https://doi.org/10.1002/ cpa.3160040206.
8. Beckmann P., Spizzichino A. The scattering of electromagnetic waves from rough surfaces, Norwood, 1987.
9. Fung A.K., Li Z., Chen K.S. Backscattering from a randomly rough dielectric surface, IEEE Transac-tions on Geoscience and remote sensing, 1992, Vol. 30, No. 2, pp. 356-369. Available at: https://doi.org/10.1109/36.134085.
10. Shi J. et al. A parameterized multifrequency-polarization surface emission model, IEEE transactions on geoscience and remote sensing, 2005, Vol. 43, No. 12, pp. 2831-2841. Available at: https://doi.org/10.1109/TGRS.2005.857902.
11. Njoku E.G. et al. Soil moisture retrieval from AMSR-E, IEEE transactions on Geoscience and remote sensing, 2003, Vol. 41, No. 2, pp. 215-229. Available at: https://doi.org/10.1109/TGRS.2002.808243.
12. Kui L. et al. Wide-area soil moisture retrieval using SAR images and multispectral data, Trans. Chin. Soc. Agric. Eng., 2020, Vol. 36 (7), pp. 134-140. Available at: https://doi.org/10.11975/j.issn.1002-6819.2020.07.015.
13. Wu S. et al. Joint retrieval of soil moisture from Sentinel-1 and Sentinel-2 remote sensing data based on neural network algorithm, Transactions of Atmospheric Sciences, 2021, Vol. 44, No. 4, pp. 636-644. Available at: https://doi.org/10.13878/j.cnki.dqkxxb.20190419001.
14. Chen S. et al. Spatial downscaling methods of soil moisture based on multisource remote sensing data and its application, Water, 2019, Vol. 11, No. 7, pp. 1401. Available at: https://doi.org/ 10.3390/w11071401.
15. Zhao W. et al. A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression, Journal of hydrology, 2018, Vol. 563, pp. 1009-1024. Available at: https://doi.org/10.1016/j.jhydrol.2018.06.081.
16. Zhang Q. Precision agriculture technology for crop farming. Taylor & Francis, 2016, 374 p. Available at: https://doi.org/10.1201/b19336.
17. Slin'ko O.V., Kondrat'ev O.V. Robotizirovannye sredstva v sadovodstve [Robotic tools in horticulture], Teoriya i praktika sovremennoy agrarnoy nauki [Theory and practice of modern agricultural science], 2022, pp. 615-618.
18. Kondrat'eva O.V., Slin'ko O.V., Fedorov A.D. Razvitie robotizirovannykh sistem v sadovodstve [Devel-opment of robotic systems in horticulture], Agropromyshlennyy kompleks: problemy i perspektivy razvitiya [Agro-industrial complex: problems and development prospects], 2023, pp. 100-106.
19. Stafford J. et al. Precision agriculture for sustainability. Burleigh Dodds Science Publishing Limited, 2019, 494 p. Available at: https://doi.org/10.1201/9781351114592.
20. Philip J.R. The theory of infiltration: 1. The infiltration equation and its solution, Soil science, 1957, Vol. 83, No. 5, pp. 345-358. Available at: http://dx.doi.org/10.1097/00010694-195705000-00002.
21. Despommier D. The vertical farm: Feeding the world in the 21st century. New York: St. – Martin's Press, 2010, 159 p.
22. Wang Y. et al. GSSM: A global seamless soil moisture dataset from 1981 to 2022 matching CCI to SMAP with a novel bias correction method, Earth System Science Data Discussions, 2024, Vol. 2024, pp. 1-27. Available at: https://doi.org/10.5194/essd-2024-200.
23. Lamprecht C. Meteostat API. Available at: https://meteostat.net/en/blog/introduction-meteostat-rapidapi.
