VisionTreeS：一种基于混合树的视觉掩码自编码器方法，用于利用低分辨率数据预测草莓产量

《IEEE Transactions on AgriFood Electronics》：VisionTreeS: A Hybrid Tree-Based Visual Masked Autoencoder Approach for Strawberry Yield Forecasting From Low-Resolution Data

农业产量预测中，VisionTreeS与XGBoost/随机森林结合的混合模型显著提升了产量和时序预测精度。通过融合时空特征识别与机器学习模型优势，VisionTreeS-RF总产量误差降至0.27±0.32，同时保持1.33±1.35周的时间预测精度。该方法在多个农场测试中优于单一模型，尤其在数据有限时表现更优。

　　

摘要：

准确的农作物产量预测在农业中至关重要，然而现实世界中的数据往往分辨率较低，且缺乏重要的特征。本文介绍了VisionTreeS，这是一种将VisionTS与传统的机器学习方法（XGBoost和随机森林）相结合的新型混合方法，用于改进农业产量预测。虽然VisionTS在时间模式识别方面表现出色，其收获时间误差为1.33 ± 1.35周，但其总产量误差较高（0.45 ± 0.26）。像XGBoost这样的传统机器学习方法在产量预测方面更为准确（总产量误差为0.43 ± 0.37），但在时间预测方面存在不足，其收获窗口误差可达7.60 ± 5.40周。我们的混合方法VisionTreeS-XGB和VisionTreeS-RF通过一种扩展机制利用了各自模型的优势，实现了最佳的总产量误差（VisionTreeS-RF为0.27 ± 0.32，VisionTreeS-XGB为0.31 ± 0.29）。这两种方法都保持了VisionTS在时间预测方面的优势：收获时间准确度为1.33 ± 1.35周，收获窗口误差为0.80 ± 1.05周。在多个农田地块上的测试表明，我们的组合方法在产量和时间预测方面均显著优于单一模型方案。特别是在数据有限的情况下，这些改进使得我们的混合方法在现实世界的农业预测应用中具有很高的价值。