【文献精选】COMPUT ELECTRON AGR｜利用奇异谱分析和经验模态分解提高基于机器学习的土壤水分预测算法的准确性

本文研究了利用奇异谱分析（SSA）和集成经验模态分解（EEMD）提高基于机器学习的土壤湿度（SM）预测算法的准确性。研究背景在于现代农业系统中传感器数据的增加，使得SM预测成为可能。研究目的在于通过结合信号分解技术（如SSA和EEMD）与机器学习/深度学习（ML/DL）算法，提高SM预测的准确性和数据的可解释性。研究结果表明，EEMD技术显著减少了预测误差，平均减少了44%的绝对误差，并在佛罗里达州东南部的柑橘生产案例中证明了其有效性。结论指出，EEMD与ML/DL算法的结合显著提高了预测精度，有助于节水和提高灌溉效率。