利用混合人工神经网络和Coati优化算法提高作物产量预测的准确性

《Results in Engineering》：Enhanced Crop Yield Prediction Using a Hybrid Artificial Neural Network with Coati Optimization Algorithm

作物产量预测模型开发及性能优化研究。摘要：本研究提出一种融合人工神经网络（ANN）与Levy飞行增强的Coati优化算法（COA）的混合模型（ANN-COA），用于提升全球102个国家十种主要作物产量的预测精度。模型整合天气条件、农药使用和历史产量数据，通过70%训练集和30%测试集验证，在RMSE（14338.6）、MAE（8685.3）、MAPE（0.06803）和R2（0.97296）等指标上显著优于传统ANN及PSO、GWO、WOA等优化算法。

　　本研究旨在开发一种先进的预测模型，以应对全球粮食安全所面临的挑战。随着全球人口的迅速增长，气候变化和环境波动正日益加剧粮食不安全问题，因此，精准的作物产量预测成为确保全球粮食安全的关键环节。研究聚焦于十种广泛种植的作物，包括木薯、玉米、香蕉、马铃薯、水稻、高粱、大豆、甘薯、木薯和小麦，覆盖了102个国家。研究团队设计了一种结合人工神经网络（ANN）与改进的Coati优化算法（COA）的混合模型，即ANN-COA，旨在提升作物产量预测的准确性和可靠性。模型综合考虑了天气条件、农药使用和历史产量数据，通过将70%的数据用于训练，30%的数据用于测试，评估了其预测效果，并将其与传统ANN模型及多种优化算法（如PSO、GWO、WOA）结合的模型进行了对比分析。

ANN-COA模型在预测精度方面表现出显著优势，其RMSE为14338.6，MAE为8685.3，MAPE为0.06803，R2值达到0.97296，远超其他模型。这些结果表明，该模型在预测作物产量方面具有更高的准确性和稳定性，能够有效应对农业数据的复杂性和非线性关系。此外，研究还指出，该模型在实际应用中能够提高资源利用效率和作物管理能力，为农业规划和政策制定提供了强有力的技术支持。这一研究展示了机器学习在应对全球农业挑战和提升粮食安全策略方面的巨大潜力。

### 作物产量预测的挑战与方法

作物产量预测是一个复杂的问题，涉及多种变量和因素。传统上，农民依赖经验进行预测，但随着农业环境的不断变化，这种经验方法的局限性逐渐显现。现代技术的发展为农业预测提供了新的解决方案，其中机器学习和深度学习技术的应用尤为突出。这些技术能够处理大规模数据，识别复杂的非线性关系，从而提高预测的准确性。然而，传统机器学习模型在处理高维农业数据时存在诸多挑战，如特征选择不足、模型学习能力有限以及难以优化参数。因此，研究团队提出了一种结合ANN与优化算法的混合模型，以解决这些问题。

Coati优化算法（COA）是一种基于群体智能的优化方法，灵感来源于美洲浣熊的行为模式。该算法通过模拟浣熊的狩猎策略和逃避捕食者的行为，实现了对搜索空间的高效探索和优化。研究团队在COA中引入了Levy飞行机制，以增强其全局搜索能力，避免陷入局部最优解。Levy飞行是一种随机搜索策略，其步长遵循Levy稳定分布，这种分布是非高斯的，能够使搜索过程在广阔的空间中实现大范围跳跃，从而发现更优解。通过这种机制，COA能够更有效地在搜索空间中进行探索，提高模型的预测能力。

### 模型的构建与优化

为了提高模型的预测性能，研究团队设计了ANN-COA混合模型。该模型利用COA优化ANN的权重和偏置参数，通过迭代优化过程，使得模型能够更好地适应农业数据的复杂性和多维性。数据预处理阶段，研究团队采用了多种方法，包括缺失值处理、异常值检测和特征选择。数据集包含了102个国家的农业数据，涵盖作物种类、国家、产量、年份、平均降雨量、农药使用量和平均温度等变量。通过数据标准化处理，所有变量都被缩放到0到1的范围内，以确保模型训练的稳定性。

在模型训练过程中，研究团队将数据集分为训练集和测试集，其中训练集占70%，测试集占30%。模型使用均方误差（MSE）作为优化目标，通过不断调整权重和偏置，使预测结果与实际数据之间的误差最小化。实验结果显示，ANN-COA模型在训练和测试阶段均表现出色，其预测精度远高于传统ANN模型和其他优化算法结合的模型。

### 模型的性能评估

为了验证模型的有效性，研究团队使用了多种统计指标进行评估，包括RMSE、MAE、MAPE和R2。这些指标能够全面反映模型的预测能力。实验结果显示，ANN-COA模型在所有评估指标中均表现最佳，特别是在R2值方面，其值高达0.97296，表明模型能够解释97%的产量变化。相比之下，其他模型的R2值均低于这一水平，表明ANN-COA在预测能力上具有显著优势。此外，MAPE值也较低，仅为0.06803，显示出模型在预测精度方面的稳定性。

为了进一步验证模型的可靠性，研究团队还进行了特征重要性分析。通过系统性地移除输入变量，他们发现气候因素（如平均降雨量和平均温度）对产量预测的影响最大，其次是作物类型。这些结果表明，在模型构建过程中，应优先考虑气候和生物因素，而管理实践和时间因素的影响相对较小。这种分析不仅提高了模型的可解释性，也为未来的数据收集和模型优化提供了指导。

### 与传统模型的对比分析

研究团队将ANN-COA模型与多种传统模型进行了对比，包括LSTM、CNN-RNN和ARIMA等时间序列模型。实验结果显示，ANN-COA模型在所有评估指标中均优于这些传统模型。例如，在R2值方面，ANN-COA模型的预测结果覆盖了93%到96.8%的产量变化，而LSTM模型的R2值仅为0.7380到0.8900，CNN-RNN模型的R2值为0.5240到0.7530，ARIMA模型的R2值则在0.1270到0.5840之间。这表明，ANN-COA模型在预测能力上具有显著优势，特别是在处理高维和非线性数据时。

此外，研究团队还分析了不同作物类型的预测结果。对于印度的主要作物，如水稻和小麦，模型的预测精度尤为突出。例如，水稻的R2值为0.96，MAPE值为0.5073，MAE值为155.1，而小麦的R2值高达0.968，MAPE值为0.5002，MAE值为144.8。这些结果表明，ANN-COA模型能够准确预测不同作物的产量变化，为农业决策提供了可靠的数据支持。

### 模型的实际应用与未来展望

该模型不仅在实验室环境下表现出色，其在实际农业应用中的可行性也得到了验证。研究团队指出，ANN-COA模型可以广泛应用于全球农业规划和政策制定，为政府和农民提供科学依据，以优化农业资源分配和生产管理。此外，该模型在处理不同地区和不同作物类型的农业数据时表现出良好的适应性，能够稳定地预测作物产量，为农业决策提供有力支持。

在未来的研究中，研究团队计划引入更近期的数据集，并探索更多特征，如气候变量和遥感数据。他们还计划开发更先进的深度学习架构，如CNN-LSTM和Transformer模型，以适应异构和横截面农业数据。此外，研究团队还希望将模型扩展到更多地区，并开发决策支持工具，帮助农民和农业规划者做出更加科学的作物管理决策。

### 结论

本研究通过开发ANN-COA混合模型，为作物产量预测提供了一种新的解决方案。该模型结合了ANN的预测能力和COA的优化能力，通过引入Levy飞行机制，有效避免了局部最优解，提高了模型的全局搜索能力。实验结果表明，该模型在预测精度和稳定性方面均优于传统模型和其他优化算法结合的模型。此外，模型的可解释性和适应性使其在实际农业应用中具有广阔前景。通过精准的产量预测，可以优化农业资源配置，提高作物管理效率，为全球粮食安全提供有力支持。