预测大米和棉花在不同品种和地区的多种特征,使用多源数据和元混合回归合奏

科学领域:

• 农业科学 农业科学
• 机器学习 机器学习
• 遥感 遥感 遥感 遥感

背景情况:

• 准确的作物特征预测对于精准农业和育种至关重要.
• 以前的方法往往集中在单一的特征或作物上,缺乏品种特定的分析.
• 整合不同的数据源可以提高预测准确性.

研究的目的:

• 开发和验证一个Meta-Hybrid Regression Ensemble (MHRE),用于预测主要作物特征.
• 将MHRE性能与单个机器学习模型进行比较.
• 用SHAP值分析影响作物特征的关键因素.

主要方法:

• 使用多个机器学习基础学习者采用Meta-Hybrid Regression Ensemble (MHRE) 方法.
• 综合多年,多品种作物实地试验数据与卫星遥感,气象和现象学数据.
• 使用SHAP (夏普利添加式扩展) 方法进行因子分析.

主要成果:

• 在大米和棉花特征预测方面,MHRE显著优于单个模型 (RF,XGBoost,CatBoost,LightGBM).
• 实现了大米产量 (R2=0.78) 和棉花产量 (R2=0.82) 的高精度.
• 在中国的不同品种群和地理区域中表现出强性.

结论:

• MHRE方法为区域作物特征预测提供了一个实用和强大的框架.
• 将多源数据与整体机器学习融合,可以增强农业洞察力.
• 这项研究为精准农业和改进作物管理策略提供了有价值的工具.