Agri-GNN:一种基于 GraphSAGE 构建的用于优化产量预测的基因型-拓扑图神经网络框架

农业作为人类文明的基石,不断寻求与技术融合以提升生产力与可持续性。本文提出 $\textit{Agri-GNN}$,一种新颖的基因型-拓扑图神经网络框架,旨在捕捉作物复杂的空间与基因型交互,为优化收获产量预测铺平道路。$\textit{Agri-GNN}$ 构建图 $\mathcal{G}$,将农田地块视为节点,并依据空间与基因型相似性在节点间系统性地构建边,从而通过基因型-拓扑滤波器聚合节点信息。图神经网络(GNN)在设计上考虑数据点间的关系,使其能够高效建模相互关联的农业生态系统。借助 GNN 的力量,$\textit{Agri-GNN}$ 封装了植物的局部与全局信息,依据空间邻近性与共享基因型考量其内在关联,从而能做出比传统机器学习架构更强的预测。$\textit{Agri-GNN}$ 基于 GraphSAGE 架构构建,因其与大型图(如农田地块与育种实验的图)具有最优的适配性。$\textit{Agri-GNN}$ 在涵盖植被指数、时间、基因型信息与位置数据的综合数据集上开展的实验表明,$\textit{Agri-GNN}$ 对爱荷华州农田的产量预测达到了 $R^2 = .876$。结果显示相较基线及该领域其他工作有显著改进。$\textit{Agri-GNN}$ 代表了利用先进基于图的神经架构预测作物产量的蓝图,相较领域基线提供了显著改进。