.png){kind=icon}
返回
Federated learning based reference evapotranspiration estimation for distributed crop fields
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0314921.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水资源管理及可持续农业高度依赖准确的参考蒸散量（ETo）。已有研究尝试使用机器学习模型简化ETo估算。现有方法仅限于单一特定区域。需要对不同天气条件的多地开展ETo估算。本研究旨在提出一种基于联邦学习的方法，对多地不同天气条件下的ETo进行估算。传统集中式方法需将所有数据汇集一处，但由于隐私顾虑和数据传输限制，可能存在问题。而联邦学习可在本地训练模型并整合知识，从而在不同地区获得更具泛化性的ETo估算结果。选取巴基斯坦的三个地理位置，每个地点天气条件多样，利用2012至2022年所选三地的气象数据实施所提出的模型。在每个选定地点，评估三种机器学习模型——随机森林回归器（RFR）、支持向量回归器（SVR）和决策树回归器（DTR）——用于局部蒸散量（ET）估算及联邦全局模型。同时基于特征重要性分析评估各选定局部地点的气象参数对机器学习性能的影响。评估结果显示，基于随机森林回归器（RFR）的联邦学习优于其他模型，其决定系数（R2）= 0.97%，均方根误差（RMSE）= 0.44，平均绝对误差（MAE）= 0.33 mm day-1，平均绝对百分比误差（MAPE）= 8.18%。随机森林回归器（RFR）的性能为每个选定地点的局部机器学习模型提供了依据。分析结果表明，最高温度和风速是蒸散量（ET）预测中最具影响力的因素。
Keyword:
PREDICTION
MODELS
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
IoT and Ensemble Long-Short-Term-Memory-Based Evapotranspiration Forecasting for Riyadh.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Modern Techniques to Modeling Reference Evapotranspiration in a Semiarid Area Based on ANN and GEP Models基于ANN和GEP模型的半干旱地区参考蒸散量建模的现代技术WATEROAAI
WATERIF3
OAAI分享收藏Estimation of Reference Evapotranspiration Using Spatial and Temporal Machine Learning ApproacheshydrologyOAAI
hydrologyIF3.2
OAAI分享收藏FELIDS: Federated learning-based intrusion detection system for Internet ofFELIDS: 基于联邦学习的互联网入侵检测系统
PREAI
分享收藏Sustainable collaboration: Federated learning for environmentally conscious forest fire classification in Green Internet of Things (IoT)INTERNET OF THINGSOAAI
INTERNET OF THINGSIF7.6
OAAI分享收藏Modeling Potential Evapotranspiration by Improved Machine Learning Methods Using Limited Climatic DataWATEROAAI
WATERIF3
OAAI分享收藏PEFL: Deep Privacy-Encoding-Based Federated Learning Framework for Smart AgricultureIEEE Micro
IEEE MicroIF0
PREAI
分享收藏
查看更多内容