利用气候再分析数据在印度地区层面进行基于机器学习的水稻产量预测的可行性
机器学习
2024-03-14 v1
摘要
产量预测，即在作物收获前预测农业生产力的科学，有助于广泛的利益相关者在农业规划方面做出更优决策。本研究旨在探究基于机器学习的产量预测模型能否在印度水稻收获前数月，在地区层面有效预测 Kharif 季节的水稻产量。方法涉及在印度 247 个水稻产区，利用 20 年的气候、卫星和水稻产量数据，训练 19 种机器学习模型，如 CatBoost、LightGBM、正交匹配追踪和极端随机树。除模型构建外，还构建了一个动态仪表板，以了解水稻产量预测的可靠性在不同地区间的差异。概念验证机器学习流程的结果表明，水稻产量可以以合理的精度进行预测，样本外 R2、MAE 和 MAPE 性能分别高达 0.82、0.29 和 0.16。这些结果优于其他背景和国家水稻产量建模相关文献中报告的测试集性能。此外，进行了 SHAP 值分析，以推断模型中包含的气候和遥感变量的重要性和方向性影响。驱动水稻产量的重要特征包括温度、土壤含水量和叶面积指数。特别是，八月份较高的温度与水稻产量增加相关，尤其是当八月份的叶面积指数也较高时。基于这些结果，开发了一个概念验证仪表板，使用户能够轻松探索哪些地区的产量相对于前一年可能上升或下降。
引用
@article{arxiv.2403.07967,
title = {Feasibility of machine learning-based rice yield prediction in India at the district level using climate reanalysis data},
author = {Djavan De Clercq and Adam Mahdi},
journal= {arXiv preprint arXiv:2403.07967},
year = {2024}
}