Ag-MAR dataset

Ag-MAR数据集包含2020年至2024年的数据，文件以_wf_raw.csv结尾表示包含天气预报数据，以_wf720.csv结尾表示时间戳向前移动720，以与历史输入对齐天气预报输入。

The Ag-MAR dataset covers data from 2020 to 2024. Files ending with _wf_raw.csv contain weather forecast data, while files ending with _wf720.csv have their timestamps shifted forward by 720 to align the weather forecast inputs with historical inputs.

原始信息汇总

MARLP: Time-series Forecasting Control for Agricultural Managed Aquifer Recharge

数据集概述

数据集内容

• 时间范围：2020年至2024年。
• 文件命名规则：
  • 以_wf_raw.csv结尾的文件包含天气预报数据。
  • 以_wf720.csv结尾的文件表示时间戳向前移动720，以使天气预报输入与历史输入对齐。

数据集详细信息

年份	淹没持续时间	序列长度
2020	2/20-4/2	6086
2021	2/12-3/31	6902
2022	1/19-4/8	11455
2023	2/28-4/6	5389
2024	1/19-4/4	11001

数据集应用

• 模型预测控制（MPC）工作流程：
  • 每10分钟处理一次传感器数据和天气预报数据。
  • 推断所有淹没提案的氧气水平曲线。
  • 选择并执行最佳提案。

因果投影模块

• 功能：利用外部预测结果校准内生预测，如Causal_Projection.py所示。

搜集汇总

数据集介绍

构建方式

在构建Ag-MAR数据集时，研究团队系统地收集了2020年至2024年间的农业管理地下水补给（Ag-MAR）相关数据。这些数据包括不同年份的淹水持续时间、序列信息以及天气预报数据。通过分析四年的实地数据，揭示了土壤氧气水平趋势的多周期性特征，并利用外部天气预报作为氧气水平预测的线索。数据集的构建过程中，特别设计了两个阶段的预测框架，第一阶段提取历史数据中的交叉变量依赖性和周期性模式，第二阶段则利用天气-土壤因果关系和天气预报数据进行精确预测。

特点

Ag-MAR数据集的主要特点在于其多周期性和外部天气预报数据的整合。数据集不仅包含了详细的淹水持续时间和序列信息，还特别处理了天气预报数据，通过将时间戳提前720分钟，确保天气预报输入与历史输入的对齐。此外，数据集还采用了两阶段的预测框架，第一阶段提取历史数据中的模式，第二阶段利用天气预报数据进行精确预测，从而实现了对土壤氧气水平的精准控制。

使用方法

使用Ag-MAR数据集时，用户可以首先加载包含天气预报数据的CSV文件，这些文件通过特定的命名规则（如'_wf_raw.csv'和'_wf720.csv'）进行区分。随后，用户可以利用数据集中的时间序列信息和天气预报数据，结合两阶段的预测框架，进行土壤氧气水平的预测和控制。具体操作中，每10分钟处理一次传感器数据和天气预报，通过因果投影模块校准内生预测，最终选择并执行最佳的淹水方案，实现对Ag-MAR过程的标准化控制。

背景与挑战

背景概述

随着全球地下水位的快速下降，可持续农业面临严峻挑战。为应对这一问题，农业管理地下水补给（Ag-MAR）通过人工淹没农田来补给地下水，成为一种创新解决方案。Ag-MAR数据集由2020年至2024年的实地数据组成，主要研究人员通过分析四年的土壤氧气水平趋势，揭示了其多周期性特征，并利用外部天气预报数据进行氧气水平预测。该数据集的创建旨在通过数据驱动的控制方法优化Ag-MAR的调度，避免因过度淹没导致的作物根系氧气吸收问题，从而提高农业生产效率。

当前挑战

Ag-MAR数据集面临的挑战主要集中在复杂环境因素的考虑不足，如天气和土壤氧气的相互作用，导致作物损害或补给不足。构建过程中，研究人员需处理大规模动作空间的问题，通过设计启发式规划模块减少淹没提案数量，以寻找最优解。此外，数据集的时间序列预测框架需精确提取历史数据中的交叉变量依赖性和周期性模式，并结合天气预报数据进行土壤氧气水平的准确预测，这对模型精度和实时处理能力提出了高要求。

常用场景

经典使用场景

在农业管理含水层补给（Ag-MAR）领域，Ag-MAR数据集的经典使用场景主要集中在时间序列预测和优化控制上。该数据集通过整合历史土壤氧气和天气数据，为农业管理含水层补给提供了详尽的背景信息。研究者利用这些数据，可以构建预测模型，以准确预测土壤氧气水平，从而优化补给策略，避免因过度补给导致的作物根部氧气吸收问题。此外，数据集中的天气预报数据也为模型提供了外部环境因素的参考，增强了预测的准确性和可靠性。

解决学术问题

Ag-MAR数据集解决了农业管理含水层补给中的关键学术问题，即如何在不损害作物的前提下，有效利用地表水进行地下水补给。传统的补给策略未能充分考虑复杂的土壤和天气因素，导致补给效果不佳或作物受损。通过分析该数据集，研究者能够揭示土壤氧气水平的多周期性特征，并利用天气预报数据进行精确预测，从而实现更科学的补给控制。这不仅提升了农业可持续性，还为相关领域的研究提供了新的方法和视角。

衍生相关工作

Ag-MAR数据集的发布催生了一系列相关研究工作，特别是在时间序列预测和农业优化控制领域。基于该数据集，研究者开发了多种预测模型和控制算法，如MARLP系统，该系统通过两阶段预测框架，结合历史数据和天气预报信息，实现了对土壤氧气水平的精确预测和优化控制。此外，数据集还促进了时间序列分析工具的发展，推动了相关开源库的改进和扩展，为更广泛的农业应用提供了技术支持。