融合多头注意力机制的LSTM冬小麦需水量预测

摘要

为实现田间冬小麦需水量的精准预测,基于河南省原阳市试验田实测气象数据,应用多头注意力机制,根据气象因子与作物需水量相关系数大小,有效捕捉需水量时间序列之间的关系特征,分别建立11、7和4因子的融合多头注意力机制（Multi-head attention）的卷积-长短期记忆网络（CNN-LSTM）模型预测冬小麦需水量,并与实际值进行比较。结果表明:1)将风速、风向、大气压力、太阳辐射、相对湿度、露点温度、最低温度、最高温度、平均温度、日照时数和降雨量共11个气象因子输入到该模型,其作物需水量预测值与实测值的决定系数（R²）为0.914,均方根误差（RMSE）为0.627 mm,相对分析误差（RPD）为4.243,相比于7和4因子的预测模型R²更高,RMSE更低。该预测模型的精准度随作物需水量相关气象因子输入量增多而提升。4因子预测模型精度最低,其作物需水量预测值与实测值的R²为0.825,RMSE为0.946 mm,RPD为3.124。在缺少气象数据的情况下,可只采用与参考作物需水量相关性最高的最低温度、最高温度、平均温度和大气压力进行作物需水量预测,且相对11因子减少了传感器数量,提高了泛用性。2)与经典机器学习模型BP、循环神经网络模型LSTM以及融合注意力机制的LSTMAttention相比,融合多头注意力机制的CNN-LSTM-MHA模型的R²、RMSE、RPD等参数更优,预测效果更接近大田生产实际情况。综上,建立与作物需水量相关的11个气象因子的融合多头注意力机制的CNN-LSTM-MHA作物需水量预测模型,可改善卷积层对于数据之间内部特征提取不充分的问题,能够有效提高冬小麦需水量预测精度,可以用于田间冬小麦的灌溉决策。

关键词

小麦 / 作物需水量 / 神经网络 / 多头注意力机制 / 预测模型