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

最近基础模型在自然语言处理和计算机视觉领域的激增推动了各个领域的创新。受此进展的启发，我们探索了基础模型在智能农业时间序列预测方面的潜力，而该领域通常受到数据可用性的限制。具体而言，本研究提出了一种新颖的应用方法，利用最先进的时间序列基础模型$\texttt{TimeGPT}$来预测土壤水势($\psi_\mathrm{soil}$)，这是一种通常用于灌溉建议的关键领域水分状态指标。传统上，这项任务依赖于广泛的输入变量。我们探讨了$\psi_\mathrm{soil}$在以下方面预测$\psi_\mathrm{soil}$的能力：(i)零-shot设置，(ii)仅依赖历史$\psi_\mathrm{soil}$测量的微调设置，以及(iii)在模型中添加外生变量的微调设置。我们将$\texttt{TimeGPT}$的性能与已建立的SOTA基线模型进行了比较，以预测$\psi_\mathrm{soil}$。我们的结果表明，$\texttt{TimeGPT}$仅使用历史$\psi_\mathrm{soil}$数据就能实现具有竞争力的预测精度，突显了其在农业应用中的巨大潜力。本研究为基础时间序列模型在农业可持续发展中的应用铺平了道路，使得传统上依赖于广泛数据收集和领域专业知识的预测任务成为可能。

论文旨在探索基础模型在智能农业领域的时间序列预测中的潜力，特别是针对土壤水势预测。该领域通常存在数据不足的问题，因此需要一种新的方法。

论文使用最先进的时间序列基础模型TimeGPT，通过历史土壤水势数据进行零样本预测，或使用历史土壤水势数据进行微调，或同时使用历史土壤水势数据和外部变量进行微调，以预测土壤水势。结果表明，TimeGPT在仅使用历史土壤水势数据时的预测准确性已经可以与当前最先进的基线模型相媲美。

该研究探索了基础时间序列模型在智能农业领域中的应用，为农业可持续发展开启了一条新的道路。实验结果表明，TimeGPT在仅使用历史土壤水势数据时的预测准确性已经可以与当前最先进的基线模型相媲美，而且具有更强的通用性和可扩展性。

最近的相关研究包括基于深度学习的时间序列预测和智能农业应用。其中一些研究包括《Agriculture-Vision: A Large Aerial Image Database for Agricultural Pattern Analysis》和《Deep Learning for Time-Series Analysis》。