不同年份下的多样化输入产量预测（DIYP）模型：输入天数可变

《IEEE Access》：Diverse-Input Yield Prediction (DIYP) Model Applied Across Different Years with Variable Input Days

　　

摘要：

无人机收集的多光谱数据在农业应用中非常有用，尤其是在作物产量预测方面。然而，无人机的飞行经常受到天气条件的影响，导致数据缺失或信息不准确。在本文中，我们提出了一种新的水稻产量预测模型，称为Diverse-Input Yield Prediction（DIYP），该模型基于LSTM网络，并通过引入注意力机制和编码器结构来应对多样化的输入数据和跨年份预测挑战。我们的模型可以减少数据缺失的影响，并提高不同年份的产量预测准确性。所有水稻数据集均由台湾农业研究所提供，这些数据集包含无人机收集的多光谱植被指数数据。我们仅使用2020年的数据集构建了DIYP模型。实验结果表明，所提出的DIYP模型在多个指标上均优于现有的最先进方法，2021年和2022年的数据集均取得了显著的性能提升。对于2021年的数据集，均方根误差（RMSE）降低了9-15%，准确率（ACC）提高了9-13%；对于2022年的数据集，RMSE降低了5-23%，ACC提高了9%。此外，我们的模型在2021年和2022年的Kappa系数分别为0.83和0.84，表明与实际测量结果高度一致。除了传统的性能指标外，我们还结合了基于RMSE的模型选择标准（包括AIC、SBIC、HQIC和AICc），以更严格地比较相关模型。基于信息准则的结果进一步证实，DIYPv3在预测准确性和模型复杂性之间取得了良好的平衡。