Abstract
土壌水分は農業生産性向上に重要。
物理制約深層学習(P-DL)フレームワークが提案され、3つの最適化手法(Adam、RMSprop、GD)を採用。
Adamオプティマイザーが他の手法よりも優れた収束性を示す。
ミニバッチとフルバッチトレーニングでAdamオプティマイザーが優れた結果を示す。
1. Introduction
土壌水分は農業や環境に重要。
Richardson-Richards方程式で土壌水分動態を記述。
物理知識とセンサー観測を統合したPINNフレームワークが有効。
2. Research Methodology
Richardson-Richards Equation
土壌水流動を記述する非線形RRE使用。
Buckingham-Darcy法で飽和および非飽和水流関係定義。
Physics-constrained deep learning (P-DL)
WRCとHCFに基づく土壌水圧力頭部分布モデリング。
データ駆動損失LDとRREベース損失LRREを導入。
Optimization Techniques
Mini-batch/batch Gradient Descent (GD)
ミニバッチGDは勾配降下法の変種。
Root Mean Square Propagation (RMSProp)
勾配降下法への拡張で自動的なステップサイズ調整可能。
Adaptive Moment Estimation (Adam)
各パラメータに適応的な学習率計算。
3. Experimental Results
Convergence and performance observations
GD、RMSProp、Adamの収束性能比較。
P-DL performance using full batch training
GD、RMSProp、Adamによる予測性能比較。
4. Conclusions
P-DLフレームワークがSoil Moisture Dynamicsを解決し、WRCsとHCFsを再現可能。
Stats
Soil moisture is a key hydrological parameter.
Realizing the full sensor data potential depends greatly on advanced analytical and predictive domain-aware models.
In the illustrative case study, we demonstrate the empirical convergence of Adam optimizers outperforms the other optimization methods in both mini-batch and full-batch training.