摘要翻译(ANN) 、卷积神经网络(CNN) 、长短期记忆网络(LSTM) 、循环神经网络(RNN) 和深度神经网络(DNN) ，利用历史农业数据进行作物产量预测。所提出的混合智能框架将深度神经网络架构与生物启发优化算法（如鲸鱼优化算法(WOA) 、自适应粒子群优化算法(APSO) 及其混合变体）相结合，用于分析农业数据。此外，研究引入Q学习机制以支持自适应决策，根据Q-Score选择最佳的产量预测模型。由深度神经网络(DNN) 与混合鲸鱼优化算法(WOA) -自适应粒子群优化算法(APSO) 组成的框架，在作物产量预测方面表现出优越的性能。模型性能通过标准指标进行评估，平均绝对误差(MAE) 为16.31吨/公顷，均方误差(MSE) 为57111.41吨2 /公顷2 ，均方根误差(RMSE) 为238.97吨/公顷，决定系数(R2_Score) 高达0.95。为提高模型的鲁棒性，研究采用了训练-测试集划分、分层验证、正则化、Dropout及早停法。同时，引入可解释人工智能(XAI) 方法如SHAP和LIME以增强模型透明度。该框架可作为政策制定者和农民的智能决策支持系统，为可持续农业和粮食安全做出贡献。
论文解读
农作物产量预测是现代农业管理中的核心环节，对于帮助农民最大化收益、减少财务损失以及减轻繁重的体力劳动至关重要。可靠的预测系统不仅有助于预防因农业困境导致的农户自杀等社会问题，还能通过支持及时决策来保障粮食安全和满足全球日益增长的人口需求。然而，传统的产量预测方法主要依赖简单的统计模型，难以捕捉农业系统中复杂的非线性关系。此外，由于数据采集成本高且劳动密集，农业数据集往往规模有限、分布稀疏，且存在类别不平衡问题，导致模型泛化能力差。虽然深度学习模型在其它领域取得了巨大成功，但在农业产量预测中的应用仍处于探索阶段。为解决这一空白，研究人员提出了一种新颖的混合框架，将深度神经网络与先进的生物启发优化算法及强化学习机制相结合，并在包含一百万条记录的大规模平衡农业数据集上进行了验证，同时整合了可解释人工智能技术以提高模型透明度。本研究旨在提供一个更可靠、高效且具备决策支持功能的作物产量预测方案。
为开展此项研究，研究人员主要应用了深度学习架构、生物启发优化算法、Q学习机制以及可解释人工智能技术。研究使用的样本队列来源包括来自Mendeley Data的主要农业数据集（1,000,000条记录，涵盖4个地区和4种作物）以及来自Kaggle的辅助数据集（10,000条记录，补充了4种作物类型及扩展特征），两者合并形成包含1,010,000条记录的统一数据集。
研究结果表明，基于混合鲸鱼优化算法
(WOA) -自适应粒子群优化算法
(APSO) 优化的深度神经网络
(DNN) 模型取得了最佳预测性能，其决定系数
(R2_Score) 达到0.95，平均绝对误差
(MAE) 为16.31，均方根误差
(RMSE) 为238.97。在特征重要性分析中，SHAP分析显示“地区
(Region) ”是影响预测的最主导因素，而“收获天数
(Days to Harvest) ”、“天气状况
(Weather Condition) ”和“肥料使用
(Fertilizer Used) ”也是关键变量。LIME局部解释分析证实，地理和农学因素是主要的局部产量驱动力，且DNN+WOA-APSO模型在局部预测中表现出最高的准确性和可解释性。Q学习机制成功评估了不同优化策略，识别出混合WOA-APSO为最佳优化方法，其Q-Score最高。
讨论部分指出，该框架通过分层采样和交叉验证确保了统计鲁棒性和泛化能力，有效避免了过拟合。尽管存在少数作物类型样本不平衡的局限，但大规模数据集的使用增强了模型的可靠性。研究结论表明，所提出的集成深度学习、混合生物启发优化和Q学习的框架，能够为政策制定者和农民提供智能决策支持，促进资源的高效利用，从而加强粮食安全并推动农业的可持续发展。该论文发表在《Array》期刊上。
打赏
