确保全球粮食安全需要精确的作物产量预测，以便进行知情的农业规划和资源分配。本文使用一个综合的、多年的、多地区的数据集调查了温度、降雨和农药施用对作物产量的影响。本研究首次严格比较了15种不同算法的有效性，这些算法包括已建立的机器学习和深度学习架构，特别是循环神经网络(Recurrent Neural Network，RNN)，用于构建鲁棒的CYP模型。通过严格的实验和超参数调整，旨在确定最优的模型，以准确地预测产量。利用了一个包含各种农业属性的综合数据集，包括地理坐标、作物品种、气候参数和农业实践。为了保证模型的有效性，本文对数据进行了预处理，处理分类变量，标准化数值特征，并将数据划分为不同的训练集和测试集。实验评估表明，随机森林达到了最高的精度，令人印象深刻(R²=0.99)。然而，XGBoost提供了一个令人信服的权衡，其精度略低(R²=0.98)，但训练和推理时间显著加快(分别为0.36秒和0.02秒)，使其适合计算资源有限的现实场景。虽然XGBoost在本次调查中成为最有效、最准确的解决方案，但也探索了深度学习方法(包括RNN)在作物产量预测方面的潜力，为未来更高精度的研究铺平了道路。
图1 各特征的异常值分析。(a)作物产量的异常值分析，(b)降雨量的异常值分析，(c)农药的异常值分析，(d)温度的异常值分析。
图2 农业变量相关系数热图。
图3 作物产量分布的降雨量和国家。
图4 各国农作物产量分布(箱线图)。
图5 探索与各种可视化的关系。(a)样本国家平均作物产量的比较，(b)作物类型平均作物产量的比较，(c)温度对作物产量的影响，(d)降雨对作物产量的影响，(e)农药对作物产量的影响，(f)前15个国家的时间分析。
图6 1990-2013年各时期平均作物产量。
图7 多层面的作物产量预测模型。
图8 各性能指标比较。(a)各作物产量预测算法间MSE值比较，(b)各作物产量预测算法间R2值比较，(c)各作物产量预测算法间MAE值比较，(d)各作物产量预测算法训练时间比较，(e)各作物产量预测算法推理时间比较，(f)各作物产量预测算法内存使用情况比较。
图9 性能深度学习配置的可视化。(a)最终训练损失vs模型复杂性，(b)最终验证损失vs模型复杂性，(c)验证MSE vs模型复杂性，(d)验证r平方vs模型复杂性，(e)验证MAE vs模型复杂性。
S Jayanthi, D Tamil Priya, Naresh Goud M et al. Sowing Intelligence: Advancements in Crop Yield Prediction Through Machine Learning and Deep Learning Approaches, 27 September 2024, under review.
编辑
王春颖
扩展阅读
