مکانیسم توجه به خود در مدل‌های شبکه‌ عصبی حافظه‌ طولانی‌کوتاه‌مدت برای پیش‌بینی تقاضای آبیاری: ارزیابی و تحلیل عملکرد

پیش‌بینی تقاضای آبیاری، اطلاعات ارزشمندی را برای برنامه‌ریزی و تصمیم‌گیری کشاورزی فراهم می‌کند. کشاورزان با پیش‌بینی دقیق نیازهای آبیاری می‌توانند توزیع آب را بهینه کرده و از هدررفت آب جلوگیری کنند. این مطالعه یک مدل جدید برای پیش‌بینی تقاضای آبیاری معرفی می‌کند. مکانیسم خودتوجهی، با شبکه‌ عصبی حافظه‌ طولانی‌کوتاه‌مدت (lstm) برای پیش‌بینی تقاضای آبیاری همراه است. salstm مکانیسم‌های خودتوجهی را در بر می‌گیرد، که مدل را قادر می‌سازد در حین انجام پیش‌بینی‌ها، بر مرتبط‌ترین بخش‌های دنباله‌ ورودی تمرکز کند. مکانیسم salstm، اجازه می‌دهد تا وزن‌های مختلف را به مراحل یا ویژگی‌های زمانی مختلف اختصاص دهد و بر آموزنده‌ترین آن‌ها، برای پیش‌بینی نیاز آبیاری، تاکید دارد. salstm می‌تواند روابط غیرخطی پیچیده‌ای را بین ویژگی‌های ورودی مختلف، مانند داده‌های هواشناسی، شرایط خاک، و ویژگی‌های محصول ثبت کند. با ترکیب قدرت lstm و مکانیسم‌های توجه به خود، salstm می‌تواند الگوهای پیچیده و تعاملات بین این عوامل را بیاموزد و آن را قادر می‌سازد تا پیش‌بینی دقیق‌تری از نیازهای آبیاری انجام دهد. این توانایی به ویژه در گرفتن روابط ظریفی که در سیستم‌های کشاورزی وجود دارد مفید است. در این بررسی رطوبت نسبی، دما، سرعت باد، بارندگی و تبخیر و تعرق پتانسیل محصول، به‌عنوان ورودی مدل‌ها استفاده شد. مدل salstm با مدل‌های lstm، شبکه‌ عصبی بازگشتی (rnn)، شبکه‌ عصبی تابع پایه‌ شعاعی (rbfn) و رگرسیون خطی چندگانه (mlr) محک‌گذاری شد. هم‌چنین، در این مطالعه عملکرد مدل‌های salstm در پیش‌بینی دقیق میزان تقاضای آبیاری با کمک چندین زبان برنامه‌نویسی از جمله python، matlab و r ارزیابی و مقایسه شد. این مطالعه با مقایسه‌ عملکرد مدل‌های salstm پیاده‌سازی‌شده در پایتون، متلب، r و جاوا اسکریپت، بینش‌هایی در مورد مزایا و معایب زبان‌های برنامه‌نویسی مختلف برای پیاده‌سازی مدل‌های یادگیری ماشین در مطالعات آب و هوا ارائه می‌کند. برای زبان برنامه‌نویسی پایتون، نتایج نشان داد که مدل salstm، بهتر از سایر مدل‌ها عمل می‌کند. مدل salstm دارای کم‌ترین میانگین خطای مطلق (mae) با مقدار 1.21 بود، به دنبال آن 1.34 برای مدل lstm، مقدار 1.55 برای مدل rnn مقدار 1.68 برای مدل rbfn و مقدار 1.88 برای مدل mlr به‌دست آمد.

self-attention mechanism-long short-term memory neural network models for irrigation demand prediction: an evaluation and performance analysis

introduction predicting irrigation demand provides valuable information for agricultural planning and decision-making. by accurately predicting irrigation needs, farmers can optimize water distribution and avoid wasting water. farmers can use this information to set planting schedules, crop rotation, and optimize land use based on water availability. this study introduces a new model for predicting irrigation demand. this study introduces a new model for predicting irrigation demand. the self-attention mechanism (sa) is coupled with the long short-term memory (lstm) neural network to predict irrigation demand. the salstm incorporates self-attention mechanisms, which enable the model to focus on the most relevant parts of the input sequence while making predictions. the attention mechanism allows salstm to assign different weights to different time steps or features, emphasizing the most informative ones for predicting irrigation demand. salstm can capture complex non-linear relationships between different input features, such as meteorological data, soil conditions, and crop characteristics. by comparing the performance of salstm models implemented in python, matlab, r, and javascript, the study provides insights into the advantages and drawbacks of different programming languages for implementing machine learning models in climate studies. in this research, the self-attention mechanism was integrated with the lstm model to forecast irrigation demands for agricultural planning.materials and methods by combining the power of lstm and attention mechanisms, salstm can learn intricate patterns and interactions between these factors, enabling it to make more accurate predictions of irrigation demands. this ability is particularly beneficial in capturing the nuanced relationships that exist in agricultural systems. relative humidity, temperature, wind speed, rainfall, and potential crop evapotranspiration were used as the inputs to the models. the salstm model was benchmarked against the lstm, recurrent neural network (rnn), radial basis function neural network (rbfn), and multiple linear regression (mlr) models. the study also evaluates and compares the performance of salstm models for irrigation demand prediction in multiple programming languages, including python, matlab, r, and javascript. accurate prediction of irrigation demand is crucial for efficient water management in agriculture and can contribute to sustainable engineering practices. overall, the study contributes to advanced engineering informatics by providing a comparative analysis of salstm models, incorporating self-attention mechanisms, and exploring their application in irrigation demand prediction. the study combines concepts from various disciplines, including data science, machine learning, and irrigation engineering. by applying advanced informatics techniques to irrigation demand prediction, the study bridges the gap between these areas and encourages interdisciplinary collaboration. in this study, the lstm model is benchmarked against the rnn, rbfnn, and multiple linear regression models.results and discussion in this research, the self-attention mechanism was integrated with the lstm model to forecast irrigation demands. the salstm model leverages self-attention mechanisms, allowing it to concentrate on the most pertinent segments of the input sequence during predictions. this attention mechanism enables salstm to allocate varying weights to different time steps or features, highlighting the most significant ones for predicting irrigation needs. the findings showed that the salstm model surpassed the performance of other models. by comparing the performance of salstm models implemented in python, matlab, r, and javascript, the study provides insights into the advantages and drawbacks of different programming languages for implementing machine learning models in climate studies. this knowledge can aid researchers and practitioners in selecting appropriate programming languages for their specific needs, promoting the efficient and effective utilization of computational resources in climate studies. the results indicated that the salstm model outperformed other models. the salstm model has the lowest mae of 1.212, followed by lstm (1.345), rnn (1.555), rbfn (1.678), and mlr (1.879). the median value of the observed data, salstm, lstm, rnn, rbf, and mlr, was 18.5, 18.5, 18.5, 23, 22, and 27.5, respectively. salstm could capture complex non-linear relationships between different input features, such as meteorological data, soil conditions, and crop characteristics.conclusion by combining the power of lstm and attention mechanisms, salstm could learn intricate patterns and interactions between these factors, enabling it to make more accurate predictions of irrigation demands. by accurately predicting irrigation demands, salstm enables farmers to avoid excessive water usage. by proactively adjusting irrigation plans based on salstm predictions, managers can minimize the risk of crop losses due to under- or over-irrigation. future research can build upon this study by focusing on several key areas: performing a comparative analysis of the salstm model against other prediction models, including deep learning, traditional machine learning, and hybrid approaches; discovering and engineering new features to enhance the salstm model's prediction accuracy, identifying the most influential factors in irrigation demand; improving model interpretability through techniques like attention visualization or feature importance analysis; exploring the transferability of the salstm model to different geographical regions, crops, or irrigation systems via transfer learning; and incorporating uncertainty estimation methods to quantify prediction uncertainty, thus aiding decision-makers in assessing the reliability of irrigation demand forecasts.