基于小波分解与图卷积的双阶段深度学习模型在水产养殖溶解氧预测中的应用

研究人员针对热带条件下马铃薯产量预测的复杂挑战，整合气候和叶片营养数据，采用MLR、KNN、SVR、XGB和ANN五种机器学习算法，通过随机森林变量筛选和物候期分层分析，构建了最优预测模型。其中SVR模型在精选10个关键变量（如降水、温度及P、Ca、N浓度）时表现最佳（调整R2=0.76），为精准农业决策提供了高效工具。

　　

在全球气候变化加剧的背景下，马铃薯作为全球第三大主食作物，其产量稳定性面临严峻挑战。热带地区复杂的环境因子交互作用使得传统统计模型难以准确预测产量波动，而精准农业亟需能够整合多维数据的智能预测工具。这一需求催生了圣保罗州立大学“Júlio de Mesquita Filho”分校植物生产系Danilo dos Reis Cardoso Passos团队的研究，其成果发表在《Smart Agricultural Technology》上。

研究人员创新性地将物候分层气候数据与叶片营养指标结合，通过机器学习破解产量预测难题。研究采集了巴西圣保罗州21个田间试验点2011-2019年的气候和营养数据，采用NASA能源资源平台的气候数据和标准叶片营养分析法获取指标。关键技术包括：随机森林算法进行变量筛选，五阶段物候期气候数据分层处理，以及SVR、XGB等五种机器学习模型的对比优化。

3.1. Hyper-parameters

通过网格搜索确定各模型最优参数，如SVR统一采用sigma=0.11和C=1，XGB使用10轮增强（eta=0.1），确保模型可比性。

3.2. Machine learning models performance

SVR模型在精选10变量组表现突出，测试集调整R²达0.76，显著优于线性模型。关键变量分析显示，块茎膨大期的水热条件（P+I_EIV_75d和Tmin_EIV_65d）与磷、钙营养贡献了65%以上的预测效能。

4. Discussion

研究揭示了非线性模型在农业预测中的优势：SVR通过核函数捕捉了水热因子与营养元素的复杂互作，而ANN因数据量限制表现欠佳。SHAP分析证实物候敏感期（如块茎膨大期）的气候波动对产量具有决定性影响，这与植物生理学认知高度吻合——该阶段水分和温度直接影响光合产物向块茎的转运。

这项研究的意义在于建立了可解释的预测框架：通过随机森林筛选的变量（如块茎膨大期降水+灌溉量）既具有统计显著性，又符合生物学逻辑。该方法突破了传统线性模型的局限，为应对气候变化的精准农艺管理提供了决策支持工具。未来研究可扩展至其他作物体系，并整合遥感等新型数据源进一步提升预测精度。