多策略深度学习用于作物产量预测

《Smart Agricultural Technology》：Multi-Strategy Deep Learning for Crop Yield Prediction

　　

摘要：在气候变率背景下，可靠的作物产量估算需要能够在异质模拟环境中兼顾预测精度、鲁棒性和结构一致性的建模框架。尽管深度神经网络（DNN）已展现出捕捉气候-作物非线性关系的强大能力，但针对影响稳定性和不确定性表征的架构策略进行系统比较的研宄仍相对有限，尤其是在最少输入配置条件下。本研究开发并评估了一种用于玉米和小麦产量预测的多策略深度学习框架，该框架整合了独立单任务DNN、具有共享潜在表征的多任务DNN、确定性平均集成以及基于蒙特卡洛（MC）Dropout的随机集成。研究以埃塞俄比亚为案例，将ERA5衍生的气候变量与DSSAT和LPJmL作物模型在灌溉和雨养条件下的产量模拟相结合。单任务模型针对每种作物-管理模式-模拟组合分别训练，而多任务网络则联合学习结构相关的产量目标。集成方法通过聚合模型实现来降低方差，其中MC Dropout通过重复随机推断近似预测不确定性。结果表明，集成配置持续展现出最高的预测性能，小麦R2值高达0.94，玉米高达0.88，而单任务模型为0.77–0.92，多任务模型为0.76–0.94。基于15年期FAO产量统计数据的验证确认，集成DNN能更好地再现年际变率，并适度缩小DSSAT与LPJmL驱动输出之间的结构性差异。研究结果证明，方差缩减和不确定性感知的集成策略比单纯的架构任务耦合能提供更一致的泛化性能，为利用简约环境输入进行气候敏感型作物产量评估提供了一种可扩展且面向鲁棒性的框架。

基于深度学习的作物产量预测研究已成为农业信息化领域的重要方向。传统上，作物产量预测主要依赖基于过程的模拟模型，如DSSAT和LPJmL，这些模型通过机械描述作物生长过程来表征土壤-植物-大气相互作用，但需要大量异质输入数据（包括土壤属性、物候参数、管理信息和连续气象观测），数据协调和大规模实施面临较大困难。近年来，深度神经网络（DNN）因其强大的非线性关系学习能力而被广泛应用于作物产量预测，但多数研究聚焦于开发单一预测架构或仅从预测精度角度进行比较，对单任务学习（Single-Task Learning）、多任务学习（Multi-Task Learning）、确定性集成学习（Deterministic Ensemble Learning）和不确定性感知集成方法（Uncertainty-Aware Ensemble Approach）在同一实验框架下的系统比较仍然不足。此外，不确定性估计在支持气候变率下农业决策中的重要性也常被忽视。针对上述研究空白，该研究开发并评估了一个多策略深度学习框架，在较少输入配置下对玉米和小麦产量进行预测，并系统比较四种互补的DNN架构策略，以期在预测精度之外，进一步评估模型的鲁棒性和预测不确定性。

该研究以埃塞俄比亚为研究区，整合ERA5再分析气候数据与ISIMIP框架下DSSAT和LPJmL两种作物模型的产量模拟数据，在灌溉和雨养条件下开展研究。数据集包含2000—2014年间共270,000个样本，其中80%用于训练，20%用于测试；另保留3,750个同期独立样本用于基于FAO数据的验证。在方法层面，研究人员构建了单任务DNN，针对每个作物-水管理模式-模拟模型组合独立训练；构建了多任务DNN，通过共享隐藏层联合预测同一灌溉模式下两种作物模型的产量输出；进一步构建了两种集成策略，即对DSSAT和LPJmL基学习器输出进行算术平均的确定性平均集成，以及推理阶段保持Dropout激活并执行100次随机前向传播的蒙特卡洛（MC）Dropout随机集成。所有模型均采用四层全连接架构（128、64、32、16个神经元），ReLU激活函数，Adam优化器，MSE损失函数；全部输入特征经最小-最大归一化处理。性能评估采用MSE、MAE和R2指标，并通过向六个气候衍生预测变量注入乘法高斯噪声（σ=10%—40%）进行鲁棒性测试；不确定性量化采用预测区间覆盖概率（PICP）、预测区间归一化平均宽度（PINAW）和连续排序概率分数（CRPS）。

研究结果部分，针对单任务DNN的产量预测结果，研究表明在灌溉条件下，基于LPJmL模拟的玉米单任务DNN实现了R2=0.80（MAE=0.48 t/ha），DSSAT基础的灌溉玉米预测R2=0.82。雨养条件下由于水限制环境的高变率性，所有模型精度均有所下降，玉米R2介于0.77—0.78之间。小麦预测准确度整体优于玉米，LPJmL灌溉小麦R2=0.89，DSSAT灌溉小麦达到所有单任务模型中的最高精度R2=0.92（MAE=0.16 t/ha）。针对多任务DNN的结果，研究表明对于LPJmL基础的灌溉玉米，多任务学习略提升了性能（R2=0.82），但DSSAT基础灌溉玉米的多任务模型R2降至0.79，说明任务耦合在部分场景下收益有限。小麦方面，LPJmL雨养小麦多任务模型R2=0.93，DSSAT雨养小麦多任务模型R2=0.91，证明共享表征在水分受限条件下可部分补偿预测不确定性。针对集成DNN的结果，研究表明平均集成在几乎所有作物-水管理组合中均取得最高精度，灌溉玉米R2=0.88（MAE=0.23 t/ha），灌溉小麦R2=0.94（MAE=0.13 t/ha），雨养小麦R2=0.94。MC Dropout集成的表现紧随其后，雨养玉米R2=0.88，灌溉小麦R2=0.92，并额外提供了不确定性估计能力。针对FAO统计数据的验证结果表明，DSSAT驱动的模型在雨养条件下系统性低估FAO产量值，LPJmL驱动模型在灌溉条件下倾向于高估，而集成模型通过整合两种模拟源有效调节了这一结构性偏差，更好地再现了玉米和小麦的年际变率。针对噪声鲁棒性评估的结果表明，随着输入噪声水平从10%增加到40%，所有模型性能逐步下降，但MC Dropout集成在每个噪声水平下均展现出最小的性能衰减，其次是平均集成；多任务DNN对输入噪声最为敏感，表明集成策略在实际数据质量波动条件下具有更强的可靠性。

在讨论部分，该研究将结果与已有文献进行对比。单任务DNN为产量预测提供了稳健的基线，R2高达0.92；多任务学习改善了泛化能力，尤其是小麦模型；集成DNN框架持续优于单任务和多任务模型，在各类作物和环境条件下均取得最高精度和最低误差。值得注意的是，MC Dropout虽然在点精度上略低于平均集成，但提供了校准的不确定性估计和对输入噪声更强的鲁棒性，这些能力是单一确定性模型无法提供的。该研究的意义在于，方差缩减和不确定性感知建模在提高泛化能力方面比单纯的任务耦合更具决定性作用，基于最少气候和土壤变量输入的集成DNN模型为数据稀缺和气候脆弱地区提供了可扩展、数据高效的作物产量评估工具。研究最终发表在《Smart Agricultural Technology》期刊。结论部分明确指出，在简约输入配置下，集成方法在训练和验证阶段均持续取得更优性能；确定性平均集成通过降低模型实现间的方差提升了预测稳定性，MC Dropout则通过随机前向传播实现了不确定性感知推理，进一步增强了模型鲁棒性。相比之下，多任务学习相对集成聚合策略的改进有限且一致性较低。研究整体证明，将确定性与概率性集成策略相结合，是推动气候敏感农业系统中更稳健、更面向不确定性的深度学习应用的重要一步。