[论文解读] 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 16

一句话总结

本研究提出了一种混合机器学习模型——具体为ANN-ICA和ANN-GWO——将人工神经网络与元启发式优化算法（伊玛目竞争算法和灰狼优化器）结合，用于作物产量预测。ANN-GWO模型在性能上优于ANN-ICA，R²达到0.48，RMSE为3.19，MAE为26.65，显示出在农业规划和粮食安全政策制定方面更高的准确性。

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.

研究动机与目标

• 提升作物产量预测的准确性，以支持粮食安全与农业规划。
• 评估将人工神经网络与元启发式优化算法相结合的混合机器学习模型的有效性。
• 在真实世界作物产量数据上，比较两种混合模型（ANN-ICA与ANN-GWO）的性能。
• 为政策制定者、研究人员和农业从业者提供一种实用且基于数据的工具。
• 通过改进的预测建模技术，为可持续粮食系统管理做出贡献。

提出的方法

• 采用人工神经网络（ANNs）作为主要回归模型，用于作物产量预测。
• 将伊玛目竞争算法（ICA）作为元启发式优化器，用于调节ANN的超参数。
• 应用灰狼优化器（GWO）作为替代元启发式算法，以优化ANN的权重与结构。
• 在真实世界作物产量数据集上对两种混合模型进行训练与验证，使用标准回归指标。
• 使用R²、RMSE与MAE作为性能评估指标，以比较模型的有效性。
• 通过元启发式算法引导的迭代搜索过程优化模型参数，以最小化预测误差。

实验结果

研究问题

• RQ1 混合ANN-ICA与ANN-GWO模型在预测作物产量方面表现如何？
• RQ2 在优化基于ANN的作物产量预测方面，哪种元启发式算法——ICA或GWO——表现更优？
• RQ3 与标准ANN方法相比，混合模型在多大程度上提升了预测准确性？
• RQ4 元启发式优化的整合是否能够增强ANN模型在农业预测中的鲁棒性与泛化能力？
• RQ5 每种优化算法对关键性能指标（如R²、RMSE与MAE）的相对影响如何？

主要发现

• ANN-GWO模型的R²值达到0.48，表明其具有中等至较强的预测能力。
• ANN-GWO模型的均方根误差（RMSE）为3.19，反映出预测误差的平均幅度。
• ANN-GWO的平均绝对误差（MAE）为26.65，表明预测值与实际值之间平均绝对偏差的程度。
• 在所有评估指标上，ANN-GWO模型均优于ANN-ICA模型，展现出更优的泛化能力与准确性。
• 结果表明，与ICA相比，GWO在优化ANN结构以进行作物产量预测方面更为有效。
• 本研究证实，将ANN与元启发式优化相结合的混合模型可提升农业决策中预测的可靠性。