一种基于混合深度学习的最优基因型与环境选择方法
机器学习
2023-09-25 v1 人工智能
定量方法
机器学习
摘要
精确的作物产量预测对于改进农业实践及确保作物在不同气候下的韧性至关重要。在整个生长季整合天气数据，尤其是针对不同作物品种，对于理解其在气候变化下的适应性至关重要。在 MLCAS2021 作物产量预测挑战赛中，我们使用了一个包含 93,028 条训练记录的数据集来预测 10,337 条测试记录的产量，覆盖 13 年（2003-2015）间美国 28 个州和加拿大省份的 159 个地点。该数据集包含 5,838 个不同基因型的详细信息以及 214 天生长季的每日天气数据，从而支持全面分析。作为获胜团队之一，我们开发了两种新颖的卷积神经网络（CNN）架构：CNN-DNN 模型（结合 CNN 与全连接网络）和 CNN-LSTM-DNN 模型（增加一层 LSTM 用于处理天气变量）。利用广义集成方法（GEM），我们确定了最优模型权重，取得了优于基线模型的性能。GEM 模型在测试数据上实现了更低的 RMSE（降低 5.55% 至 39.88%）、更小的 MAE（降低 5.34% 至 43.76%）以及更高的相关系数（提升 1.1% 至 10.79%）。我们应用 CNN-DNN 模型为不同地点和天气条件识别表现最优的基因型，辅助基于天气变量的基因型选择。我们的数据驱动方法对于测试年份有限的场景具有价值。此外，基于 RMSE 变化的特徵重要性分析凸显了地点、MG、年份和基因型的重要性，以及天气变量 MDNI 和 AP 的重要性。
引用
@article{arxiv.2309.13021,
title = {A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection},
author = {Zahra Khalilzadeh and Motahareh Kashanian and Saeed Khaki and Lizhi Wang},
journal= {arXiv preprint arXiv:2309.13021},
year = {2023}
}
备注
20 pages, 7 figures