孟加拉国多区域多季节水稻产量预测：传统回归、机器学习与深度学习模型的比较研究

《Scientific Reports》：Regional climate variability and rice yields prediction in Bangladesh using machine learning and deep learning models

　　

摘要

本研究使用1970年至2024年的数据，对孟加拉国Barind、Coastal和Riverine地区的Aman和Boro水稻比较了传统回归、机器学习和深度学习模型。将孟加拉国气象部门（BMD）的气候记录与孟加拉国统计局（BBS）的水稻产量数据按地点和日期进行匹配；在每个季节的区域特定建模之前，共保留了1287条记录。预测变量包括最高温和最低温、降雨量、相对湿度和日照时数。通过基于交叉验证的超参数选择和多种指标（包括MAE、RMSE、MAPE、R²和预测偏差）评估了9个模型；MAE和RMSE以t ha?¹为单位报告。相关性分析显示，温度与水稻产量始终呈负相关（r?=????0.13至???0.28），而降雨量（r?=?0.03–0.21）和相对湿度（r?=?0.07–0.32）呈正相关但存在区域依赖性；日照关系较弱。TFT在六个区域-季节组合中的四个达到最低RMSE：Coastal Aman（0.22）、Barind Boro（0.30）、Riverine Aman（0.16）和Riverine Boro（0.31 t ha?¹）。对于Coastal Aman，TFT达到MAE?=?0.20 t ha?¹和R²?=?0.958；对于Riverine Aman，MAE?=?0.14 t ha?¹和R²?=?0.773。GBM在Coastal Boro表现最佳（RMSE?=?0.64 t ha?¹；R²?=?0.308），而CatBoost和GBM在Barind Aman中显示出最低RMSE（0.54 t ha?¹）。本研究提供了统计、机器学习和深度学习方法的区域和季节特定比较，支持针对易旱Barind地区、受盐渍化影响的Coastal地区和易涝Riverine地区的针对性预测和适应优先级。