用于小农决策支持系统的基于深度神经网络的玉米产量预测模型
机器学习
2024-12-03 v4 人工智能
计算机与社会
人机交互
摘要
作物产量预测一直建立在天气与土壤变量之间不存在交互作用的假设之上。然而，本文认为这种交互作用是存在的，并且可以使用 Kendall 相关系数对其进行精细建模。鉴于天气与土壤变量之间交互作用的非线性，精心设计了一个深度神经网络回归器（DNNR），并考虑了深度、隐藏层神经元数量以及超参数及其优化。此外，提出了一个新指标，即绝对均方根误差的平均值（ARSE），以结合均方根误差（RMSE）和平均绝对误差（MAE）的优点。使用 ARSE 指标，所提出的 DNNR(s)、优化后的随机森林回归器（RFR）和极端梯度提升回归器（XGBR）分别取得了令人印象深刻的极小产量误差，分别为 0.0172 t/ha、0.0243 t/ha、0.0001 t/ha 和 0.001 t/ha。然而，通过更改解释变量以确保对未见数据的泛化能力，DNNR(s) 表现最佳。进一步分析表明，天气与土壤变量之间确实存在强烈的交互作用。具体而言，观察到当降水减少且粉粒增加时产量增加，反之亦然。然而，减少或增加的程度在本文中并未量化。与针对农业政策和全球粮食安全的现有产量模型相反，所提出的玉米产量模型的目标是赋能小农进行智能且智慧的耕作，因此该预测模型被集成到一个包含教育和农户对接市场访问模块的移动应用程序中。
关键词
引用
@article{arxiv.2401.03768,
title = {Corn Yield Prediction Model with Deep Neural Networks for Smallholder Farmer Decision Support System},
author = {Chollette C. Olisah and Lyndon Smith and Melvyn Smith and Morolake O. Lawrence and Osita Ojukwu},
journal= {arXiv preprint arXiv:2401.03768},
year = {2024}
}
备注
30 Pages, 11 Figures, 3 Tables