干旱条件下县级玉米产量预测的知识引导机器学习
机器学习
2025-10-03 v3 人工智能
摘要
遥感（RS）技术能够非接触地获取大量地面观测数据，是作物产量预测的重要工具。传统的基于过程的模型难以融入海量遥感数据，且多数用户对作物生长机制缺乏了解。相比之下，机器学习（ML）模型常因可解释性有限而被批评为“黑盒”。为解决这些局限性，我们采用了知识引导机器学习（KGML），这是一个结合了基于过程的模型和 ML 模型优势的框架。现有研究要么忽略了土壤水分在玉米生长中的作用，要么未将这种效应嵌入其模型中。为了弥补这一空白，我们开发了结合土壤水分的知识引导机器学习（KGML-SM）框架，将土壤水分作为玉米生长的中间变量，以强调其在植物发育中的关键作用。此外，基于模型可能在干旱条件下高估产量的先验知识，我们设计了一种感知干旱的损失函数，对受旱灾影响地区的预测产量进行惩罚。实验表明，KGML-SM 模型优于其他传统 ML 模型。我们通过评估模型内不同特征的重要性，并分析土壤水分如何影响不同区域和时间段的预测，探讨了干旱、土壤水分与玉米产量预测之间的关系。最后，我们为预测误差提供了可解释性，以指导未来的模型优化。
引用
@article{arxiv.2503.16328,
title = {Knowledge-guided machine learning for county-level corn yield prediction under drought},
author = {Xiaoyu Wang and Yijia Xu and Jingyi Huang and Zhengwei Yang and Yanbo Huang and Rajat Bindlish and Zhou Zhang},
journal= {arXiv preprint arXiv:2503.16328},
year = {2025}
}