[論文レビュー] Hybrid Machine Learning Models for Crop Yield Prediction

Saeed Nosratabadi, Imre Felde+4 more|arXiv (Cornell University)|Mar 8, 2020

Smart Agriculture and AI参考文献 22被引用数 16

ひとこと要約

本研究では、人工ニューラルネットワーク（ANN）とメタヒューリスティック最適化アルゴリズム（西洋帝国主義者競争アルゴリズムとグレイワルフ最適化）を組み合わせたハイブリッド機械学習モデル（ANN-ICAおよびANN-GWO）を提案し、作物収量予測に用いる。ANN-GWOモデルはANN-ICAを上回り、決定係数R²が0.48、RMSEが3.19、MAEが26.65を達成し、農業計画および食料安全保障政策における予測精度の向上を示した。

ABSTRACT

Prediction of crop yield is essential for food security policymaking, planning, and trade. The objective of the current study is to propose novel crop yield prediction models based on hybrid machine learning methods. In this study, the performance of the artificial neural networks-imperialist competitive algorithm (ANN-ICA) and artificial neural networks-gray wolf optimizer (ANN-GWO) models for the crop yield prediction are evaluated. According to the results, ANN-GWO, with R of 0.48, RMSE of 3.19, and MEA of 26.65, proved a better performance in the crop yield prediction compared to the ANN-ICA model. The results can be used by either practitioners, researchers or policymakers for food security.

研究の動機と目的

• 食料安全保障および農業計画のための作物収量予測精度を向上させること。
• 人工ニューラルネットワークとメタヒューリスティック最適化アルゴリズムを統合したハイブリッド機械学習モデルの有効性を評価すること。
• 実世界の作物収量データを用いて、ANN-ICAおよびANN-GWOの2つのハイブリッドモデルの性能を比較すること。
• 政策立案者、研究者、農業実務者向けの実用的でデータドリブンなツールを提供すること。
• より優れた予測モデリング技術を通じて、持続可能な食料システム管理に貢献すること。

提案手法

• 作物収量予測の主な回帰モデルとして人工ニューラルネットワーク（ANN）を採用した。
• ANNのハイパーパrameterを最適化するために、西洋帝国主義者競争アルゴリズム（ICA）をメタヒューリスティック最適化手法として統合した。
• ANNの重みとアーキテクチャを最適化する代替手法として、グレイワルフ最適化（GWO）を適用した。
• 標準的な回帰指標を用いて、実世界の作物収量データセット上で両方のハイブリッドモデルを訓練および検証した。
• モデルの有効性を比較するために、決定係数R²、RMSE、MAEを性能評価指標として使用した。
• メタヒューリスティックアルゴリズムが誘導する反復的探索プロセスを通じて、予測誤差を最小化するようにモデルパラメータを最適化した。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドANN-ICAおよびANN-GWOモデルは、作物収量予測においてどのように比較されるか？
• RQ2 ICAとGWOのどちらのメタヒューリスティックが、ANNベースの作物収量予測最適化において優れた性能を示すか？
• RQ3 ハイブリッドモデルは、標準的なANNアプローチと比較して、予測精度をどの程度向上させるか？
• RQ4 メタヒューリスティック最適化の統合は、農業予測におけるANNモデルの頑健性および一般化能力を向上させるか？
• RQ5 各最適化アルゴリズムが、R²、RMSE、MAEといった主要な性能指標に与える相対的影響は何か？

主な発見

• ANN-GWOモデルは、決定係数R²が0.48に達し、中程度から強い予測能力を示した。
• ANN-GWOモデルの平均二乗誤差（RMSE）は3.19であり、予測誤差の平均的な大きさを反映している。
• ANN-GWOの平均絶対誤差（MAE）は26.65であり、予測値と実際の収量との間の平均絶対偏差を示している。
• ANN-GWOモデルは、全評価指標においてANN-ICAモデルを上回り、優れた汎化能力と正確性を示した。
• 結果から、GWOはICAよりも、作物収量予測のためのANNアーキテクチャ最適化においてより効果的であると示唆された。
• 本研究は、ANNとメタヒューリスティック最適化を組み合わせたハイブリッドモデルが、農業意思決定における予測信頼性を向上させられることを確認した。