将基于过程的模型与机器学习集成用于作物产量预测
机器学习
2023-07-26 v1 人工智能
摘要
作物产量预测通常涉及使用理论驱动的基于过程的作物生长模型（已证明难以针对本地条件进行校准），或使用数据驱动的机器学习方法（已知需要大型数据集）。本工作中，我们研究采用混合元建模方法进行马铃薯产量预测。采用作物生长模型生成合成数据用于（预）训练一个卷积神经网络，随后用观测数据微调。在硅上（in silico）应用时，我们的元建模方法比由纯数据驱动方法构成的基线给出更好的预测。在来自田间试验（n=303）与商业田块（n=77）的真实世界数据上测试时，元建模方法相对于作物生长模型取得了有竞争力的结果。然而在后一集合中，两种模型均劣于由领域专家设计、具有手工挑选特征集与专用预处理的简单线性回归。我们的发现表明了元建模用于精确作物产量预测的潜力；不过，建议使用大量真实世界数据集进一步推进与验证，以巩固其实际有效性。
引用
@article{arxiv.2307.13466,
title = {Integrating processed-based models and machine learning for crop yield prediction},
author = {Michiel G. J. Kallenberg and Bernardo Maestrini and Ron van Bree and Paul Ravensbergen and Christos Pylianidis and Frits van Evert and Ioannis N. Athanasiadis},
journal= {arXiv preprint arXiv:2307.13466},
year = {2023}
}
备注
6 pages, 4 figures, Accepted after peer-review at the 1st workshop on Synergy of Scientific and Machine Learning Modeling, SynS & ML ICML, Honolulu, Hawaii, USA. July, 2023