用于智能精准农业中作物产量预测的自适应广义回归深度卷积强化学习方法

《Nature Materials》：Adaptive generalized regressive deep convolutional reinforcement learning for crop yield prediction in smart precision farming

　　

摘要

准确的作物产量评估对于提升农业生产力及资源管理效率至关重要。然而，由于土壤特性、天气状况、种植方式、病虫害等多种因素的影响，产量预测颇具挑战性。尽管深度学习技术提升了预测能力，但对于大规模数据集而言，如何实现高精度、低误差且快速的处理速度仍是一个重要问题。为解决这一问题，本文提出了一种自适应广义回归深度卷积强化学习（AGR-DCRL）模型，用以提升智慧农业中的预测精度。该模型由输入层、卷积层、池化层和全连接层组成。首先通过物联网技术收集监测天气、土壤状况及农药使用情况的数据。在数据增强阶段，会在输入层采用自适应邻近采样方法生成新的数据样本。在卷积层中，通过基于加权局部相似性的插补方法以及广义Tietjen–Moore检验进行预处理，处理缺失值并检测异常值。在池化层则运用Camargo自适应多样性指数选择最相关的特征，剔除无关特征以降低维度。最终在全连接层通过多分类逻辑回归分析处理后的特征和数据样本，进而进行作物产量预测。输出层采用softmax激活函数得出多类预测结果。随后会根据每个预测结果及其对应的奖励来衡量误差率，依据奖励值不断迭代更新Q值，直至模型收敛。最终可得到精度更高、误差更小的准确作物产量预测结果。本文使用“智慧农业传感器数据用于产量预测”数据集通过多种指标对所提技术进行了实验验证，实验结果表明，与传统深度学习方法相比，AGR-DCRL模型的预测精度高出4%，误差率降低69%，预测速度提升20%。