利用卷积神经网络基于环境与物候数据预测冬小麦产量
机器学习
2022-03-01 v2
摘要
作物产量预测依赖于许多交互因素，包括作物基因型、天气、土壤和栽培管理措施。本研究利用 1999 至 2019 年德国 271 个县广泛的天气、土壤和作物物候变量数据集，分析了机器学习与深度学习方法用于冬小麦产量预测的表现。我们提出了一种卷积神经网络（CNN）模型，使用一维卷积操作捕获环境变量的时间依赖性。我们使用八个监督机器学习模型作为基线，并采用 RMSE、MAE 和相关系数指标评估其预测表现以基准化产量预测结果。我们的结果表明，相较于线性模型，所提出的 CNN、深度神经网络（DNN）和 XGBoost 等非线性模型更能有效理解作物产量与输入数据间的关系。我们提出的 CNN 模型优于所有其他用于冬小麦产量预测的基线模型（在测试数据上比最佳基线 RMSE 低 7 至 14%、MAE 低 3 至 15%、相关系数高 4 至 50%）。我们将土壤湿度和气象特征按周分辨率聚合以应对数据的季节性。我们亦超越预测，使用 SHAP 和力图解释所提 CNN 模型的输出，从而提供解释产量预测结果（变量按时间的重要性）的关键洞见。我们发现 DUL、第 10 周风速和第 7 周辐射量为冬小麦产量预测中最关键的特征。
引用
@article{arxiv.2105.01282,
title = {Winter wheat yield prediction using convolutional neural networks from environmental and phenological data},
author = {Amit Kumar Srivastava and Nima Safaei and Saeed Khaki and Gina Lopez and Wenzhi Zeng and Frank Ewert and Thomas Gaiser and Jaber Rahimi},
journal= {arXiv preprint arXiv:2105.01282},
year = {2022}
}