如何使用此时间序列数据进行作物预测？

Question

我试图建立一个模型，分析某一地区推荐的作物类型

对于我的投资回报率，我已经有了从2005年到2009年每个像素的历史数据，包括：

1. 在该像素中生成的作物类型（每年1个）
2. 我的投资回报率中每种作物的生产率
3. 每年每像素的各种天气指标（地表温度、降雨、温度、土壤性质等）

所以我有很多表，它们看起来都是这样的（这些是示例，不是实际值）

表1（多年来作物的演变）

表2（这一个以及更多关于多年来天气演变的信息）

现在我正试图把所有的东西放在一起，建立一个模型，可以解释导致作物类型变化的天气变化，也可以根据实际天气情况给出最佳作物类型的建议

我完全不知道如何合并所有的信息，我应该从哪里开始寻找答案

Answer 1

所以你有两个目标，让我们一个接一个地解决

also that gives a suggestion for the best crop type

为此，我们假设某一特定作物的历史选择是最好的。如果没有，那么您应该只包括那些ROI高于您定义的某个阈值的数据点

方法1）简单的前馈神经网络。输入[地表温度、降雨量、温度、土壤性质等]，输出[作物类型]。由此，我们将其建模为一个分类问题

如果要长期包含天气数据，请修改输入[（地表温度、降雨量、温度、土壤性质等）@t1，（地表温度、降雨量、温度、土壤性质等）@t2等]。输出[crop type@tn]，其中n是当前时间

方法2）如果您想保留空间维度，并且您认为附近的像素数据对预测也很重要，那么也可以将该像素信息编码到您的输入中。否则，您可以使用这里描述的一些时空模型https://papers.nips.cc/paper/5955-convolutional-lstm-network-a-machine-learning-approach-for-precipitation-nowcasting

你的另一个问题weather changes that lead to a change on crop type

这可以建模为一个二元分类问题，在这个问题中，您需要预测给定的输入天气条件和输出（作物变化或无变化）。你的输入：[地表温度、降雨、温度、土壤性质等]，你的输出：[改变或不改变]

有很多方法可以解决这第二个问题，从一个简单的逻辑回归，支持向量机或使用更强大的深度学习模型取决于你的数据

希望这有帮助