深度神经网络预测作物产量
该研究提出了一种使用深度学习框架的 CNN-RNN 模型,基于环境数据和管理实践来进行作物产量预测,能够有效地捕捉时间依存性,泛化性和预测精度,具有广泛的应用前景。
Nov, 2019
通过设计深度神经网络回归器(DNNR),提出了一种新颖的 DNNR 模型,用于解决天气和土壤变量之间的非线性相互作用问题,同时引入了平均绝对平方根误差(ARSE)指标以综合评估预测准确性,在与随机森林回归器(RFR)和极端梯度提升回归器(XGBR)进行比较后,DNNR 在处理突发的气候和土壤变化数据时表现最佳,进一步的分析揭示了天气和土壤变量之间存在着强烈的相互作用。
Jan, 2024
精确的农作物产量预测对于改善农业实践和确保农作物在不同气候中的适应性至关重要。在 MLCAS2021 作物产量预测挑战中,我们利用了一个包含 93,028 个训练记录的数据集,预测了 10,337 个测试记录的产量,涵盖了 28 个美国州和加拿大省的 159 个地点,时间跨度为 13 年(2003-2015)。我们开发了两种新颖的卷积神经网络(CNN)架构:CNN-DNN 模型,将 CNN 和全连接网络相结合,以及 CNN-LSTM-DNN 模型,增加了一个 LSTM 层用于天气变量。利用广义集成方法(GEM),我们确定了最优模型权重,相比基准模型,我们的模型性能更优。GEM 模型在测试数据上实现了较低的均方根误差(5.55% 至 39.88%),减小的平均绝对误差(5.34% 至 43.76%)和更高的相关系数(1.1% 至 10.79%)。我们将 CNN-DNN 模型应用于不同地点和气候条件下的高成绩基因型的识别,帮助基于天气变量进行基因型选择。我们的数据驱动方法对于有限测试年份的情况非常有价值。此外,通过使用均方根误差变化进行特征重要性分析,我们突出了地点、MG、年份和基因型的重要性,以及气候变量 MDNI 和 AP 的重要性。
Sep, 2023
本文通过引入新的图形循环神经网络,将地理和时间信息嵌入到机器学习模型中,进一步提高了作物产量预测的预测能力,并验证了其在各种指标上优于现有的先进方法,为未来的研究提供了坚实的基础。
Nov, 2021
利用 6 种回归模型(线性回归、决策树、梯度下降、梯度提升、K 最近邻和随机森林)预测 196 个国家的农作物产量,并通过农药、降雨量、温度和产量 4 个参数,发现随机森林回归模型的决定系数(r^2)为 0.94,误差(ME)为 0.03。研究使用联合国粮食农业组织的数据和世界银行的气候变化数据训练和测试模型,并分析各个参数对农作物产量的影响。通过使用非传统的模型以及最近收集的数据,实现了独特的研究方法,旨在为农业研究找到最优模型,并利用联合国的数据进行研究。
Dec, 2023
通过混合元模型方法,利用农作物生长模型生成合成数据进行卷积神经网络的(预)训练,然后利用观测数据进行微调,在仿真应用中,我们的元模型方法比纯数据驱动方法得到更好的预测结果,在实际数据中,元模型方法与农作物生长模型相比具有竞争力,但两种模型在该数据集上表现不及由领域专家设计的简单线性回归和手动选择的特征集及专门的预处理。我们的研究结果表明,元模型在准确的农作物产量预测方面具有潜力,但建议进一步改进和验证,以利用大规模的实际数据集来巩固其实际效益。
Jul, 2023
本文提出一种基于深度学习的方法,结合图神经网络和卷积神经网络模型,利用历史价格信息、气候条件、土壤类型、位置等农作物价格的关键决定因素进行精确预测,可实现对印度农业市场中土豆和番茄价格的预测,并能达到比文献报道结果至少提高 20% 的准确性。
Apr, 2023
本文提出一种利用高分辨率的指标和低分辨率的标记数据来预测作物产量的深度学习框架,并通过低分辨率作物面积和产量统计的弱监督进行校准。该框架的表现优于线性趋势模型和 GBDT,即使缺乏高分辨率产量数据,也可以用弱监督深度学习方法来预测更高分辨率的作物产量。
May, 2022
为了解决孟加拉国农业领域中作物选择和疾病预测的问题,本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集,该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据,为用户推荐作物列表并预测可能的疾病,并通过决策树回归模型预测作物产量,帮助农民选择高产作物和预防作物疾病,提高孟加拉国的农业实践水平。
Mar, 2024
研究探讨将作物建模和机器学习(ML)相结合是否能提高美国玉米带的玉米产量预测,并确定 APSIM 特征对于玉米产量预测的影响,研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差(RMSE)降低 7 到 20%,其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。
Jul, 2020