比较机器学习技术用于紫花苜蓿生物量产量预测
机器学习
2022-10-21 v1 计算机视觉与模式识别
摘要
紫花苜蓿作物作为牲畜饲料在全球具有重要意义，因此高效的种植与收割可使许多行业受益，尤其是在全球气候变化、传统方法准确性下降的背景下。近期利用机器学习(ML)预测紫花苜蓿及其他作物产量的研究已展现出前景。先前的研究利用遥感、气象、种植和土壤数据训练机器学习模型以预测产量。然而，尽管遥感效果良好，这些模型需要大量数据，且直到收获季开始才能做出预测。利用来自肯塔基州和佐治亚州紫花苜蓿品种试验的气象与种植数据，我们此前的工作比较了特征选择技术，以找出最佳技术与最佳特征集。在本工作中，我们训练了多种机器学习模型，采用交叉验证进行超参数优化来预测生物量产量，并展现出优于采用更复杂技术的同类工作的精度。我们最佳的单一模型是随机森林，平均绝对误差为0.081吨/英亩，R{}为0.941。接下来，我们将数据集扩展至包含威斯康星州和密西西比州，并重复实验，使用回归树获得了更高的0.982最佳R{}。随后我们按州隔离测试数据集，以探究该问题对域适应(DA)的适用性，即在多个源州上训练并在单一目标州上测试。这种Trivial DA (TDA)方法为后续探索更复杂的DA技术留下了充足的改进空间。
引用
@article{arxiv.2210.11226,
title = {Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction},
author = {Jonathan Vance and Khaled Rasheed and Ali Missaoui and Frederick Maier and Christian Adkins and Chris Whitmire},
journal= {arXiv preprint arXiv:2210.11226},
year = {2022}
}