用于作物产量预测的CNN-RNN框架
机器学习
2020-01-28 v2 定量方法
机器学习
摘要
作物产量预测极具挑战性，因其依赖于作物基因型、环境因素、管理实践及其交互等多重因素。本文提出一种使用卷积神经网络 (CNN) 与循环神经网络 (RNN) 的深度学习框架，基于环境数据与管理实践进行作物产量预测。所提出的 CNN-RNN 模型，连同其他流行方法如随机森林 (RF)、深度全连接神经网络 (DFNN) 和 LASSO，使用历史数据对2016、2017和2018年美国整个玉米带（包括13个州）的玉米和大豆产量进行了预测。新模型的均方根误差 (RMSE) 分别占其各自平均产量的9%和8%，大幅优于所有其他被测方法。CNN-RNN 具有三个显著特征，使其成为对其他作物产量预测研究潜在有用的方法。(1) CNN-RNN 模型旨在捕捉环境因素的时间依赖关系及种子随时间的遗传改良，而无需其基因型信息。(2) 该模型展示了对未测试环境泛化产量预测的能力，且预测精度无显著下降。(3) 结合反向传播方法，该模型可揭示天气条件、天气预测精度、土壤条件和管理实践能在多大程度上解释作物产量的变化。
引用
@article{arxiv.1911.09045,
title = {A CNN-RNN Framework for Crop Yield Prediction},
author = {Saeed Khaki and Lizhi Wang and Sotirios V. Archontoulis},
journal= {arXiv preprint arXiv:1911.09045},
year = {2020}
}
备注
26 Pages, 14 Figures