极端梯度提升与深度学习方法在产量估计中的比较
机器学习
2023-02-08 v1
摘要
收获前准确预测作物产量对全球作物物流、市场规划和粮食分配至关重要。产量预测需要长时间监测物候和气候特征，以建模作物发育中涉及的复杂关系。各类绕地卫星提供的遥感图像是一种廉价可靠地获取产量预测数据的方式。产量预测领域目前由深度学习方法主导。尽管这些方法达到的精度令人鼓舞，但所需数据量及“黑箱”特性会限制深度学习方法的应用。可通过提出一种将遥感图像处理为基于特征的表示之流程来克服这些局限，从而允许采用极端梯度提升（XGBoost）进行产量预测。针对美国大豆产量预测的对比评估显示，与基于深度学习的最先进产量预测系统相比，其预测精度令人鼓舞。特征重要性揭示近红外光谱为我们模型中的重要特征。所报告结果暗示了XGBoost用于产量预测的能力，并鼓励未来在世界各地其他作物上开展XGBoost产量预测实验。
引用
@article{arxiv.2208.12633,
title = {Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches},
author = {Florian Huber and Artem Yushchenko and Benedikt Stratmann and Volker Steinhage},
journal= {arXiv preprint arXiv:2208.12633},
year = {2023}
}
备注
31 pages, 5 figures - Preprint submitted to Computers and Electronics in Agriculture