基于机器学习与小数据的产量预测：谷物类作物的增益几何？
应用统计
2021-04-29 v2
摘要
作物产量预测对粮食安全至关重要，尤其是用于预测作物产量可能下降的地区。气候记录与遥感数据已成为作物产量预测系统的重要数据来源。类似地，机器学习方法正日益用于处理大型地球观测数据。然而，在粮食不安全国家，训练此类算法所需的数据往往有限。在此，我们评估了机器学习算法与小数据在生长季起止期间逐月预测产量的性能。为此，我们开发了一个稳健且自动化的机器学习流水线，可筛选最佳特征与预测模型。以阿尔及利亚为案例，我们在生长季内对国家大麦、软小麦和硬小麦产量进行了预测，准确度为 0.16–0.2 t/ha（平均产量的 13–14%）。最优机器学习模型始终优于简单基准模型。在低产年份这一点得到证实，对早期预警尤为相关。尽管如此，机器学习与基准模型之间准确度的差异并非总具有实际意义。此外，基准模型优于所测试机器学习模型中多达 60% 的模型，这凸显了恰当模型校准与选择的重要性。对于作物产量预测，如同许多应用领域，机器学习已显著提升了预测能力。然而，对简单基准的完全优势往往需在大量校准后方可实现，尤其在处理小数据时。
引用
@article{arxiv.2104.13246,
title = {Yield forecasting with machine learning and small data: what gains for grains?},
author = {Michele Meroni and François Waldner and Lorenzo Seguini and Hervé Kerdiles and Felix Rembold},
journal= {arXiv preprint arXiv:2104.13246},
year = {2021}
}
备注
17 pages, 7 figures