Apr, 2024

朴素贝叶斯和随机森林用于农作物产量预测

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用机器学习技术进行桑叶产量预测

    通过比较不同机器学习模型，本研究发现随机森林回归是预测桑树产量所用的最佳模型。

    Sep, 2021

  • 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

  • 小农户决策支持系统的深度神经网络玉米产量预测模型

    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

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023