基于因果推断和机器学习的农田玉米产量预测模型OA
[目的/意义]玉米作为中国主要粮食作物,其产量的精准预测在维护国家粮食供给体系稳定方面具有重要意义。针对传统预测方法难以揭示变量间因果关系的问题,提出了一种融合因果推断与机器学习的预测方法。[方法]首先,基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息,采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系。其次,构建了移动平均-卷积神经网络-长短期记忆网络混合模型,先通过移动平均模块平滑数据噪声,进而利用卷积神经网络提取变量间的空间关联特征。最后,通过长短期记忆网络捕捉产量随时间变化的动态特征。[结果和讨论]10 cm和50 cm深度的土壤湿度对产量具有显著的正向影响(P<0.01),其中深层湿度具有更强的时滞效应;反射率中的改进叶绿素吸收指数与归一化植被指数等植被指数则在玉米生长中期呈现出短期因果关系。与其他模型的对比实验结果表明,所提出的模型在多个指标上表现突出,其中决定系数(R2)达到0.955,平均绝对误差和均方根误差分别为1.201 kg/亩和1.474 kg/亩(1 hm^(2)=15亩)。[结论]因果分析可为模型提供关键变量筛选依据,显著提升产量预测性能。
王毅;崔茜彤;王晨;熊宝伟;邵国敏;王琬莹;曹培;韩文霆
西安财经大学信息学院,陕西西安710100 智财协同可信计算陕西省高等学校重点实验室,陕西西安710100西安财经大学信息学院,陕西西安710100西安财经大学信息学院,陕西西安710100西安财经大学信息学院,陕西西安710100西安理工大学西北旱区生态水利国家重点实验室,陕西西安710048西安财经大学信息学院,陕西西安710100西北农林科技大学机械与电子工程学院,陕西杨凌712100西北农林科技大学旱区农业节水研究院,陕西杨凌712100 国家作物高效用水工程实验室,陕西杨凌712100
农业科技
偏相关与瞬时条件独立算法移动平均卷积神经网络长短期记忆网络产量预测机器学习因果推断
《智慧农业(中英文)》 2026 (2)
P.175-187,13
国家社会科学基金(23BGL252)陕西省自然科学基础研究计划项目(2022JQ-363)陕西省重点产业创新链项目(2024NC-ZD-CYL-05-01)陕西省重点产业创新链项目(2023-ZDLNY-58)西安市科技计划项目(25NJSYB00014)。
评论