Nghiên cứu và ứng dụng mô hình học sâu dự báo độ ẩm của đất

Tóm tắt

Dự báo độ ẩm đất có ý nghĩa quan trọng trong quản lý tài nguyên nước, tối ưu hóa tưới tiêu, nâng cao năng suất cây trồng và ứng phó với biến đổi khí hậu. Bài báo này nghiên cứu và ứng dụng các mô hình học sâu RNN, LSTM và Transformer để dự báo độ ẩm đất dựa trên các yếu tố đầu vào gồm nhiệt độ không khí, độ ẩm đất và độ dài chuỗi dữ liệu quá khứ (t = 1, 3 giờ). Nghiên cứu tiến hành so sánh hiệu suất dự báo của các mô hình trong các khoảng thời gian tương lai k = 1, 3, 6 giờ, nhằm đánh giá mức độ chính xác và khả năng duy trì chất lượng dự báo theo thời gian. Kết quả thực nghiệm cho thấy Transformer vượt trội hơn so với RNN và LSTM về độ chính xác, đặc biệt khi dự báo dài hạn, nhờ cơ chế self-attention giúp mô hình nắm bắt được các mối quan hệ dài hạn trong dữ liệu. Từ khoá: Dự báo độ ẩm, học sâu, RNN, LSTM, Transformer