基于气候变化的产量预测模型：采用混合深度学习技术与最优特征选择方法

《Scientific Reports》：Climate change based yield production using hybrid deep learning with optimal feature selection

　　

摘要

在气候变化背景下，准确预测农业产量已成为一项挑战性任务，因为温度波动、降雨模式不规律和土壤退化等环境因素的不确定性日益增加。传统的统计方法和机器学习方法在捕捉由气候驱动的农业数据之间的复杂非线性关系和时间依赖性方面存在不足。为了解决这些问题，本研究提出了基于气候变化的产量预测模型——混合深度学习模型（CY-HDLNet），该模型结合了数据规范化、最优特征选择和深度学习技术。首先，通过对气候数据分布进行对数转换来使其标准化；然后使用提出的“混沌篮球团队优化”（CBtO）算法进行特征选择，该算法整合了切比雪夫混沌映射机制，以增强全局搜索能力并避免陷入局部最优解。选出的最优特征通过“循环双注意力变换器”（RDAT）模型进行处理，该模型采用了双注意力机制来捕捉特征层次和时间依赖性，并通过循环单元提升序列学习能力。实验结果表明，所提出的模型显著提高了农业规划和决策的预测准确性和收敛速度，有助于增强农业对气候变化的适应能力。