Precipitation Forecasting with Deep Transfer Active Learning for Agricultural Adaptation Prévision des précipitations avec Deep Transfer Active learning pour l'adaptation agricole 0 1

Résumé 0

L’augmentation de l’intensité et de la fréquence des tempêtes, des sécheresses,des inondations, la modification des cycles hydrologiques et la variancedes précipitations ont des répercussions sur les activités agricoles. Nous avonschoisi d’étudier les méthodes d’apprentissage pour l’exploitation des caractéristiquestemporelles et spatiales des données spatio-temporelles météorologiques. Premièrement, cette étude introduit un réseau neuronal profond basé sur l’architectureResNet spécifique pour les séries temporelles. Deuxièmement, le modèle proposé est composé de deux techniques d’apprentissage : a) l’apprentissage par transfert,qui permet de réutiliser les compétences du modèle dans la tâche cible ; b)l’apprentissage actif pour interroger et ajouter interactivement des échantillons à l’ensemble de formation en utilisant des données étiquetées pour fournir des informations sur les étiquettes de classe ou les limites de classe. La méthode proposéeest basée sur une combinaison heuristique de deux métriques d’évaluation : a)une métrique d’incertitude pour évaluer l’informativité; b) une métrique de diversitépour évaluer la représentativité. Troisièmement, nous proposons un modèlede transfert homogène afin d’exploiter les connaissances acquises à partir d’autres tâches de séries temporelles connexes. Des expériences sur plusieurs séries temporellesmultivariées et des ensembles de données montrent que la méthode proposéeatteint une précision de classification supérieure à celle des méthodes existantes,en utilisant seulement 20% des échantillons d’apprentissage. Increased intensity and frequency of storms, droughts, floods, changes in hydrologicalcycles, and variance in precipitation have implications for agriculturalactivities. We chose to study learning methods for exploiting the temporal andspatial characteristics of meteorological spatio-temporal data. First, this study introducesa deep neural network based on the architecture ResNet specific for timeseries. Second, the proposed model is composed of two learning techniques:a)transfer learning, which reuses the skills of the model in the target task; b) activelearning to interactively query and add samples to the training set using labeleddata to provide information about class labels or class boundaries. The proposedmethod is based on a heuristic combination of two evaluation metrics: a) an uncertaintymetric to evaluate informativeness; b) a diversity metric to evaluate representativeness.Third, we propose a homogeneous transfer model to exploit knowledgegained from other related time series tasks. Experiments on several multivariatetime series and datasets show that the proposed method achieves higher classificationaccuracy than existing methods, using only 20% of the training samples.1