Jan, 2024

小农户决策支持系统的深度神经网络玉米产量预测模型

PDF
TL;DR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。
deep neural network regressorarse metricrandom forest regressorextreme gradient boosting regressorinteraction between weather and soil variables
发现论文，激发创造
  • 深度神经网络预测作物产量

    利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

    Feb, 2019

  • 农业预测的创新：关于全球作物产量预测的多元回归研究

    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

  • 一种用于农作物产量预测的 CNN-RNN 框架

    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

  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    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

  • 基于混合深度学习的最优基因型环境选择方法

    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

  • 随机森林用于棉花产量预测

    美国棉花产业致力于可持续生产实践，通过改善土壤健康和棉花产量来减少水、土地和能源的使用。本研究采用机器学习技术预测棉花产量，考虑气候变化、土壤多样性、栽培品种和无机氮水平等因素，以支持棉花气候智能化行动计划。

    Dec, 2023

  • 朴素贝叶斯和随机森林用于农作物产量预测

    本研究分析了 1997 年至 2020 年期间印度的作物产量预测，重点关注各种作物和关键环境因素。利用线性回归、决策树、KNN、朴素贝叶斯、K 均值聚类和随机森林等先进的机器学习技术来预测农业产量。尤其是朴素贝叶斯和随机森林模型通过数据可视化展示了高度的效果。研究得出结论，整合这些分析方法显著提高了作物产量预测的准确性和可靠性，为农业数据科学做出了重要贡献。

    Apr, 2024

  • 机器学习在作物产量和疾病预测中的应用：结合土壤营养和天气因素

    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

  • 高分辨率作物产量预测的弱监督框架

    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

  • 利用气候再分析数据对印度区级基于机器学习的水稻产量预测的可行性研究

    通过训练 19 个基于机器学习的模型，研究使用气候、卫星和稻谷产量数据预测印度 Kharif 季稻谷产量，结果表明可以以相当准确的水平进行预测，并通过分析推断出气候和遥感变量对稻谷产量的重要性和方向影响，最终开发出一个证明性仪表盘以便用户探索各个地区的产量变化。

    Mar, 2024