异构数据集分析的深度学习模型 —— 应用于冬小麦产量预测
该研究旨在使用多个异质数据集,如土壤和天气数据,基于区域级别使用机器学习模型来预测冬小麦产量,实验结果表明,这些模型单独使用或组合使用时均有影响。此外,我们采用了许多机器学习算法以强调数据质量在任何机器学习策略中的重要性。
Jun, 2023
本研究使用 Long Short-Term Memory (LSTM) 這種特殊形式的循環神經網路(RNN)方法,以預測玉米產量,實證結果顯示其在 Iowa 郡一級數據方面的預測能力相對現有的調查方法具有潛在的預測力。
May, 2018
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
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
本研究提出一种基于深度学习算法的集合模型来预测加利福尼亚州圣巴巴拉县草莓产量和价格,该模型基于两个集合模型并采用投票集合的方法结合预测结果,结果表明该模型的预测性能比文献中的深度学习集合模型更优秀。
Feb, 2021
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
现代农业依靠特定场地管理实践,需要准确检测、定位和量化农作物和杂草,可以通过深度学习技术实现。本研究提出了一种新颖的集成框架,利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出,从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的性能。经过消融研究的验证,证明了我们提出的模型的有效性。此外,我们还提出了两个用于比较的新颖数据集。
Oct, 2023
我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率,特别是用于长期决策,同时利用气候模型的内在因素和见解来增强干旱预测,通过比较评估结果表明,卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型,ROC AUC 分数从 0.90 到 0.70,推荐根据预测时间跨度选择合适的模型进行长期干旱预测。
Sep, 2023