使用深度神经网络的作物产量预测
机器学习
2019-06-12 v3 应用统计
机器学习
摘要
作物产量是由基因型、环境及其互作等多种因素决定的高度复杂性状。准确的产量预测需要从根本上理解产量与这些互作因素之间的函数关系，而揭示此种关系既需要全面的数据集也需要强大的算法。在 2018 年 Syngenta 作物挑战赛中，Syngenta 发布了若干大型数据集，记录了 2008 至 2016 年间种植于 2,247 个地点的 2,267 个玉米杂交种的基因型与产量表现，并要求参与者预测 2017 年的产量表现。作为获胜团队之一，我们设计了深度神经网络（DNN）方法，利用了最先进的建模与求解技术。我们的模型被发现具有优越的预测精度，在使用预测天气数据时，验证集的均方根误差（RMSE）为平均产量的 12% 和标准偏差的 50%。若使用完美天气数据，RMSE 将降至平均产量的 11% 和标准偏差的 46%。我们还基于训练好的 DNN 模型进行了特征选择，成功降低了输入空间的维度而未显著损失预测精度。我们的计算结果表明，该模型显著优于 Lasso、浅层神经网络（SNN）和回归树（RT）等其他流行方法。结果还揭示环境因素比基因型对作物产量有更大影响。
引用
@article{arxiv.1902.02860,
title = {Crop Yield Prediction Using Deep Neural Networks},
author = {Saeed Khaki and Lizhi Wang},
journal= {arXiv preprint arXiv:1902.02860},
year = {2019}
}
备注
9 pages, Presented at 2018 INFORMS Conference on Business Analytics and Operations Research (Baltimore, MD, USA). One of the winning solutions to the 2018 Syngenta Crop Challenge