一种用于作物产量预测和推荐的、可解释的时空深度学习框架

摘要

农业在保障全球粮食安全方面发挥着关键作用，然而由于气候变化、土壤异质性和环境波动导致的作物产量波动仍带来持续性的挑战。准确的产量预测和智能化的作物推荐对于实现可持续和高效的农场管理至关重要。本研究提出了一种基于人工智能的新框架，用于精确预测作物产量并进行数据驱动的作物选择。该框架整合了系统化的数据预处理、混合特征选择、深度学习以及基于注意力机制的建模方法，以捕捉农业数据集中的复杂非线性关系。原始数据（包括土壤特性、地形、气候变量和历史产量记录）通过基于中位数的插补、标准化和Z分数异常值检测进行处理，以提高数据可靠性。采用多阶段混合特征选择方法（结合最小冗余最大权重、顺序前向子集选择和递归Fisher分数）来识别最具信息量的特征，同时减少数据冗余。产量预测采用基于注意力机制的混合核极端学习机（ELM）进行。作物推荐则通过时空可解释的组增强Transformer网络（STX-GTNET）实现，该网络通过PantheraCobra元启发式算法进行了优化。模型可解释性通过Grad-CAM和集成梯度方法得到保障。实验结果表明，该框架在产量预测方面的性能优异，均方根误差（RMSE）为281.6，决定系数（R²）为0.94；在作物推荐方面，准确率达到98.4%，ROC-AUC值为0.991。