通过一种新型的可解释深度学习模型（MHCNN-LSTM-MHA）提高作物产量预测的准确性

摘要

在收获前准确可靠地预测作物产量对于做出明智的决策、保障粮食安全、优化资源利用、减缓气候变化以及构建智能农业系统至关重要。与传统方法相比，深度学习在预测作物产量方面显著提高了准确性。然而，仍存在一些挑战，如梯度不稳定、单一模型限制、泛化能力有限以及缺乏可解释性。在农业环境中，梯度不稳定性尤为突出，因为早季的天气异常会通过长期的生理过程影响最终产量，但在深度混合架构中，反向传播的信号往往在到达相关输入层之前就消失了或发生了异常波动。这些挑战需要一种创新且综合的问题解决方法。本文提出了一种名为MHCNN-LSTM-MHA的新模型，该模型融合了多头卷积神经网络（Multihead Convolutional Neural Networks）、长短期记忆（Long Short-Term Memory）和多头注意力机制（Multihead Attention Mechanism）等多种深度学习技术，以提高预测精度。本研究使用了包含天气条件、土壤特性、管理措施和历史产量等信息的美国大豆作物数据集进行测试。我们将所提出的模型与单一组件模型（CNN、LSTM、CNN-LSTM）以及基准模型（CNN-RNN、交互回归、CNN-DNN）进行了对比。结果表明，MHCNN-LSTM-MHA模型的均方根误差（RMSE）为每英亩3.75蒲式耳，决定系数（R²）为0.905，比之前的最佳基准模型提高了9.86%。这一优异性能归功于其先进的混合架构，该架构能够有效模拟复杂的特征交互和依赖关系。多头注意力机制通过动态优先处理重要特征和时间步骤来提升模型的泛化能力和可解释性，同时减少偏差，从而更好地符合作物生长规律。基于SHAP（Shapley Value Explanation）的可解释性分析显示，作物产量对天气因素（降水量、太阳辐射、水汽压）的变化最为敏感，这些因素对产量结果的影响最大；同时对土壤特性（pH值、粘土含量）的变化也表现出中等程度的敏感性。本文的贡献在于提高了预测精度，并增强了基于SHAP的可解释性，这对于推动可解释人工智能在作物产量预测领域的发展及其在智能农业系统中的应用具有重要意义。