Leveraging Time-Series Foundation Models in Smart Agriculture for Soil Moisture Forecasting

要約

最近の自然言語処理とコンピューター ビジョンの基礎モデルの急増により、さまざまな領域にわたるイノベーションが促進されています。
この進歩に触発されて、私たちはスマート農業における時系列予測のための基礎モデルの可能性を探ります。スマート農業は、利用可能なデータの制限にしばしば悩まされる分野です。
具体的には、この研究では、土壌水ポテンシャル ($\psi_\mathrm{soil}$) を予測するための、最先端 (SOTA) 時系列基礎モデルである $\texttt{TimeGPT}$ の新しいアプリケーションを紹介します。
、畑の水の状態を示す重要な指標であり、通常、灌漑に関するアドバイスに使用されます。
従来、このタスクはさまざまな入力変数に依存していました。
$\psi_\mathrm{soil}$ を予測する $\psi_\mathrm{soil}$ の能力を次の方法で調査します: ($i$) ゼロショット設定、($ii$) のみに依存する微調整設定
過去の $\psi_\mathrm{soil}$ 測定値、および ($iii$) モデルに外生変数も追加する微調整設定。
$\texttt{TimeGPT}$ のパフォーマンスを、$\psi_\mathrm{soil}$ を予測するための確立された SOTA ベースライン モデルと比較します。
私たちの結果は、$\texttt{TimeGPT}$ が過去の $\psi_\mathrm{soil}$ データのみを使用して競争力のある予測精度を達成していることを示しており、農業用途におけるその顕著な可能性を強調しています。
この研究は、従来は広範なデータ収集と分野の専門知識に依存していた予測タスクを可能にすることで、農業の持続可能な発展のための基礎時系列モデルへの道を切り開きます。

要約(オリジナル)

The recent surge in foundation models for natural language processing and computer vision has fueled innovation across various domains. Inspired by this progress, we explore the potential of foundation models for time-series forecasting in smart agriculture, a field often plagued by limited data availability. Specifically, this work presents a novel application of $\texttt{TimeGPT}$, a state-of-the-art (SOTA) time-series foundation model, to predict soil water potential ($\psi_\mathrm{soil}$), a key indicator of field water status that is typically used for irrigation advice. Traditionally, this task relies on a wide array of input variables. We explore $\psi_\mathrm{soil}$’s ability to forecast $\psi_\mathrm{soil}$ in: ($i$) a zero-shot setting, ($ii$) a fine-tuned setting relying solely on historic $\psi_\mathrm{soil}$ measurements, and ($iii$) a fine-tuned setting where we also add exogenous variables to the model. We compare $\texttt{TimeGPT}$’s performance to established SOTA baseline models for forecasting $\psi_\mathrm{soil}$. Our results demonstrate that $\texttt{TimeGPT}$ achieves competitive forecasting accuracy using only historical $\psi_\mathrm{soil}$ data, highlighting its remarkable potential for agricultural applications. This research paves the way for foundation time-series models for sustainable development in agriculture by enabling forecasting tasks that were traditionally reliant on extensive data collection and domain expertise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google