一种用于冬小麦产量预测的混合深度学习方法：基于多源数据整合的证据

《Scientific Reports》：A hybrid deep learning approach for winter wheat yield prediction: evidence from leveraging multi-source data

　　

摘要

对于世界第二大小麦生产国印度而言，准确的地区级小麦产量预测对于粮食安全规划、供应链管理以及农业政策制定至关重要。我们以印度七个主要小麦产区的275个地区的23年（2001–2023年）数据为基准，对九种不同的模型进行了评估，这些产区合计占全国小麦产量的\(\sim\)95%。所评估的模型包括随机森林、XGBoost、LightGBM、一维卷积神经网络、长短期记忆网络、双长短期记忆网络、单流Transformer编码器、最新提出的并行卷积神经网络-长短期记忆网络-注意力机制模型，以及我们设计的混合卷积神经网络-双长短期记忆网络-注意力机制模型，该模型采用针对不同数据类型的处理方式——对垂直结构的土壤数据使用一维卷积神经网络，而对气象和遥感时间序列数据则使用带自注意力的双长短期记忆网络。我们所提出的模型表现最佳，在独立测试集上的平均绝对误差为273.2公斤/公顷，\(R^{2}\)值为0.795，相比随机森林基准模型，其平均绝对误差降低了43.8%，相比梯度提升基线模型降低了约28%，相比次优的深度学习模型则降低了约4%。不过，简单的趋势预测方法（\(\hat{y} = \text {lagged\_yield}\)）的平均绝对误差也为274.9公斤/公顷，与所提模型的平均值基本相当。研究表明，这类模型的优势在异常年份更为明显：在2023年干旱的播种季节，该模型的平均绝对误差比简单趋势预测方法低7.2%，均方根误差低11.2%；通过SHAP值分析可知，2月至3月的灌浆期，模型的预测效果主要得益于EVI和NDVI指标的变化——这与已有研究结果一致，即在该时期小麦灌浆过程对水分和温度条件极为敏感。综上所述，这种考虑数据特征且具备异常情况处理能力的深度学习框架，可作为一种实用的方法，用于数据匮乏的农业区域进行易受环境压力影响的产量预测。