《Smart Agricultural Technology》：Development of an Innovative Deep Learning Model for Rice Yield Prediction in Karnataka using Multi-Modal Data with Feature Fusion and Adaptive Residual Network
编辑推荐：
水稻是一种重要的作物，卡纳塔克邦是印度水稻生产的关键地区，凭借其肥沃的土壤和气候条件，该地区生产了更多的稻米产量。为确保粮食安全进行农业规划，需要对加速城市化进行准确预测。早期的线性统计方法被用于预测水稻产量，但在分析作物、气候和土壤可变性之间的非线性、复杂关
水稻是一种重要的作物，卡纳塔克邦是印度水稻生产的关键地区，凭借其肥沃的土壤和气候条件，该地区生产了更多的稻米产量。为确保粮食安全进行农业规划，需要对加速城市化进行准确预测。早期的线性统计方法被用于预测水稻产量，但在分析作物、气候和土壤可变性之间的非线性、复杂关系方面存在局限。此外，对于动态环境，该方法适应性差且高度依赖历史数据，这通常会限制准确性，并对实时农业数据导致决策失误。因此，本研究开发了一种高效的模型，通过利用实时数据源、优化性能、解释模型预测，并更有效地管理和规划资源，以预测水稻产量，从而为粮食安全和可持续农业实践做出贡献。首先，该模型收集了卡纳塔克邦不同地区农业区的实时天气数据。然后，收集的输入数据被单独提供给预处理单元。预处理过程，如填充缺失值、最小-最大和标准缩放归一化，分别处理提供的多模态数据，并通过最小化潜在伪影来增强数据质量，并提供三个不同的预处理结果。进一步，这三个不同的预处理结果被分别提供给时间特征分析模块，该模块包括一维卷积层和Transformer层（Conv1D+Trans Layers），从而产生诸如F1、F2和F3等特征。这些获取的特征被馈送到多头交叉注意力融合（Multi-Head Cross-Attention Fusion, MH-CAF）网络进行特征融合。然后，融合特征在新开发的自适应残差多目标损失时空网络（Adaptive Residual Multi-Objective Loss Spatio-Temporal Network, ARes-MOL-STNet）中进一步分析，以预测水稻产量。为增强预测模型的性能，应用了增强的驯鹿产犊季节优化器（Enriched Calving season of Elk Herd Optimizer, ECEHO）策略来优化所开发的ARes-MOL-STNet模型的新颖参数。此处，水稻产量预测被作为一个回归任务完成，因此，所提模型的平均绝对误差（Mean Absolute Error, MAE）相比最先进模型达到了更小的值，分别是随机森林（Random Forest）的70%、时序卷积网络（Temporal Convolutional Network, TCN）的40%、卷积神经网络-长短期记忆网络（Convolutional Neural Network - Long Short-Term Memory, CNN-LSTM）的60%和Res-MOL-STNet的20%。这表明所提出的深度学习模型可以在区域数据集上实现稳定的预测结果，并有助于农业管理。
一、 研究背景、问题与动机
水稻是全球重要的粮食作物，其产量的准确预测对确保粮食安全、优化资源管理和稳定市场具有重大意义。卡纳塔克邦是印度主要的稻米产区之一，其产量受土壤、气候等多种因素影响。传统的水稻产量预测方法（如基于历史调查数据的线性统计模型）在处理多模态、非线性和动态变化的农业数据时存在明显局限。这些方法难以捕捉作物、气候和土壤之间复杂的时空依赖关系，对实时数据的适应性差，且往往依赖大量高质量的历史数据，导致预测精度不足和决策滞后。为了应对这些挑战，将先进的数据处理技术与深度学习模型相结合，开发能够处理复杂农业数据、实现高精度实时预测的智能农业技术框架，显得尤为重要。本研究旨在开发一个综合性的深度学习模型，利用来自卡纳塔克邦多个地区的多模态实时数据，进行精准的水稻产量预测，从而为可持续农业实践和决策支持提供有力工具。相关研究成果发表在《Smart Agricultural Technology》期刊。
二、 主要关键技术方法概述
为完成水稻产量预测，研究人员构建了一个包含数据处理、特征提取、融合、建模与优化的完整技术框架。研究使用了卡纳塔克邦11个地区（包括迈索尔、乌杜皮等）从1986年至2020年的气象时间序列数据（如相对湿度、降雨量、温度）、土壤养分时间序列数据（如氮、磷、钾消耗量）和历史产量数据。在技术方法层面，首先对收集的多模态数据进行预处理（包括填充缺失值、数据清洗、去重、归一化等），得到三组高质量数据。其次，利用一维卷积结合Transformer的架构（Conv1D+Trans Layers）分别从这三组数据中提取深层时序特征。接着，通过设计的多头交叉注意力融合网络整合来自不同数据源的时序特征，形成一个统一的融合特征表示。然后，构建了一个新颖的自适应残差多目标损失时空网络作为预测核心，该网络结合了残差时空网络和多目标损失函数，以同时优化回归和分类任务。最后，为了优化ARes-MOL-STNet的关键超参数（如隐藏神经元数量、学习率），研究人员提出了一种增强的驯鹿产犊季节优化器，这是一种受自然界鹿群繁殖行为启发的元启发式优化算法，用于自动化参数寻优，以提升模型性能。
三、 研究结果
1. 收敛性与统计性能分析
研究人员对所提出的ECEHO优化器的性能进行了评估。收敛性分析显示，在优化预测模型参数的任务中，ECEHO相比其他优化算法（如晶体结构算法、北方苍鹰优化算法、?鱼优化算法、驯鹿优化算法）能更快、更稳定地收敛到更优解。统计性能评估进一步证实，ECEHO-ARes-MOL-STNet在最佳值、最差值、均值、中位数和标准差等多个统计指标上，均优于或与对比算法相当，表明其具有良好的鲁棒性和寻优能力。
2. 激活函数性能分析
研究比较了所提ECEHO-ARes-MOL-STNet模型在使用不同激活函数（如ReLU、tanh等）时的性能，并以多种误差指标（MAE、MAPE、MASE、MPE、MSE、RMSE、SMAPE）进行评估。结果显示，无论使用哪种激活函数，ECEHO-ARes-MOL-STNet在绝大多数误差指标上都显著优于其他对比的优化算法（如CSA、NGO、ROA、EHO）优化后的同类模型，以及传统的机器学习模型（如随机森林、TCN、CNN-LSTM）。这证明了所提模型架构和优化策略的有效性，能够稳定地实现低误差预测。
3. 与基准模型的对比评估
研究将完整的ECEHO-ARes-MOL-STNet模型与未经过优化的基准模型Res-MOL-STNet在不同训练数据比例下进行对比。学习百分比分析表明，即使在训练数据量较少的情况下，ECEHO-ARes-MOL-STNet的预测误差（如MAE）也远低于Res-MOL-STNet。例如，在MAE指标上，前者比后者降低了约47.3%。这凸显了ECEHO优化器在自动调整模型超参数、提升模型性能和泛化能力方面的重要作用。
4. 消融实验分析
为了验证模型中各个组件的贡献，研究人员进行了系统的消融实验。实验分别评估了仅使用Conv1D+Transformer特征提取、仅使用ARes-MOL-STNet预测网络、仅使用MH-CAF特征融合、仅使用ECEHO优化器以及完整模型（Conv1D+Transformer-ARes-MOL-STNet-MH-CAF-ECEHO）的性能。结果显示，随着模型组件的逐步集成，各项预测误差指标（如RMSE、MAE、MSE）持续下降，而预测准确率则逐步提升。完整模型取得了最佳性能，准确率达到97.92%，且所有误差指标均为最低。这充分证明了数据预处理、时序特征提取、多源特征融合、先进的预测网络架构以及智能参数优化策略在整个框架中都是不可或缺的，共同促成了最终的高精度预测。
四、 讨论与结论
讨论部分指出，尽管所提出的模型表现出优越的性能，但在实际部署中可能面临一些挑战，例如处理更大规模、更高维度的农业数据时所需的计算资源，以及模型在不同地理和气候条件下的可迁移性。此外，确保输入数据的实时性、准确性和完整性也是实际应用中的关键。
研究结论翻译如下：本研究成功开发了一个利用多模态数据和特征融合的创新深度学习模型，用于预测卡纳塔克邦的水稻产量。该框架集成了数据预处理、基于Conv1D和Transformer的时序特征提取、多头交叉注意力特征融合、自适应残差多目标损失时空网络以及增强的驯鹿产犊季节优化器。实验结果表明，所提出的ECEHO-ARes-MOL-STNet模型在多个评估指标上均优于现有的先进模型和传统方法，实现了稳定且准确的水稻产量预测。该模型能够有效捕捉农业数据中复杂的时空依赖关系和非线性模式，为农民、农业规划者和政策制定者提供了可靠的决策支持工具，有助于促进粮食安全和可持续农业实践。未来的工作可以探索将该框架应用于其他作物和地区，并进一步优化模型以适应实时、大规模的农业数据分析需求。
