确保中国大米收获:使用多源数据和混合机器学习模型揭示生产中占主导地位的因素

科学领域:

• 农业科学 农业科学
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 中国的米安全对于全球粮食生产至关重要.
• 气候变化和环境因素影响大米产量.
• 可持续农业需要准确的预测模型.

研究的目的:

• 评估和比较六种人工智能 (AI) 模型,用于预测中国的产量.
• 确定最有效的人工智能模型和用于大米产量预测的输入变量.
• 了解环境因素对大米生产的影响.

主要方法:

• 综合多来源数据 (气候,遥感,土壤,农业统计) 从2000年至2017年.
• 评估了六种人工智能模型:随机森林 (RF),极端梯度增强 (XGB),常规神经网络 (CNN),长短期记忆 (LSTM) 和混合组合 (RF-XGB,CNN-LSTM).
• 评估了11个输入变量场景,以确定最佳模型性能.

主要成果:

• 混合人工智能模型在预测大米产量方面明显优于单一模型.
• 混合型RF-XGB实现了最佳性能,将RMSE降低了38% (土壤和播种面积) 和31% (所有变量).
• 土壤属性是主要因素 (87%在东部,53%在东南中国);气候变化 (气温上升,降雨减少) 对产量产生负面影响.

结论:

• 混合人工智能模型,特别是RF-XGB,为准确的中国大米产量预测提供了强大的工具.
• 了解土壤和气候变量的影响对于制定适应性策略至关重要.
• 这项研究为改善在不断变化的环境条件下提高粮食安全提供了关键的见解.