为精英玉米混合物丹958的产量预测进行梯度提升

科学领域:

• 农业科学 农业科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 准确的作物产量预测对于农业管理和营养优化至关重要.
• 机器学习,特别是随机森林 (RF),被广泛使用,但复杂的交互需要探索新的算法.
• 梯度增强方法为处理大型数据集和非线性关系提供了先进的功能.

研究的目的:

• 评估用于玉米产量预测的极端梯度增强 (XGB) 和梯度增强回归器 (GBR).
• 为了比较梯度增强方法与现有方法的性能.
• 分析模型的不确定性和环境因素对产量估计的影响.

主要方法:

• 利用了超过1700个玉米产量数据对的数据集,用于丹958杂交.
• 对比了多个机器学习算法,包括XGB和GBR.
• 执行特征选择,超参数调整和模型验证.

主要成果:

• 对于玉米产量,XGB和GBR表现出强大的预测准确度.
• XGB实现了RMSE=0.37,R2=0.87,MAE=0.26;GBR实现了RMSE=0.39,R2=0.86,MAE=0.27. 这样,XGB可以实现RMSE=0.37,R2=0.86,MAE=0.27.
• 结果证实了天气特征对作物产量预测的重大影响.

结论:

• 梯度增强方法,XGB和GBR,对于玉米产量估计非常有效.
• 这些方法强调了环境特征在农业产量预测中的关键作用.
• 梯度增强具有促进作物产量预测研究的巨大潜力.