SPATIAL AND CLIMATE DATA ANALYSIS FOR MACHINE LEARNING-BASED CROP YIELD PREDICTION IN NORTHERN KAZAKHSTAN
Aigul Mimenbayeva · A A Naizagarayeva · Tleugaisha Ospanova 等 5 人
用1990–2025年气候数据与机器学习模型预测哈萨克斯坦北部小麦产量。
NASA POWER气候数据+官方产量统计，比较XGBoost等回归模型并采用前
XGBoost预测效果最佳，R²=0.811，RMSE=1.436 c/ha，MAE=1.160 c
可引入遥感植被指数与土壤数据，构建多源融合模型并迁移至其他气候敏感区。
基于1990—2025年气候数据与多种机器学习模型的小麦产量预测研究，方法规范、结论可靠，但区域局限于哈萨克斯坦北部，公共影响有限。
作物产量预测对粮食安全、农业规划和有效资源管理具有重要意义，尤其是在哈萨克斯坦北部，该地区农业生产受气候变异性影响显著。气温和降水的变化会影响作物生产力，并导致年际间产量差异较大。本研究旨在利用气候数据，开发、比较和评估用于哈萨克斯坦北部地区小麦产量预测的机器学习回归模型。研究使用哈萨克斯坦共和国国家统计局提供的官方作物产量统计数据和NASA POWER数据库的气候数据，构建了覆盖1990—2025年的数据集。每日气候数据采集自哈萨克斯坦北部地区五个具有代表性的地理点位。气候变量包括平均气温、最低气温、最高气温和降水量。每日气温值被聚合为年均值，降水量则累加得到年总量。随后，对五个地理点位的年度值取平均，以获得具有代表性的区域指标。研究比较了多种回归算法，包括线性回归、随机森林、梯度提升、Bagging回归器、决策树和XGBoost，并评估了XGBoost与梯度提升相结合的混合模型。小麦产量作为目标变量，气候变量作为预测因子。为保持数据的时间结构并避免信息泄漏，研究对2020—2025年采用了前向滚动验证。模型性能采用R²、RMSE和MAE进行评估。XGBoost表现出最佳的预测性能，达到R² = 0.811、RMSE = 1.436 c/ha、MAE = 1.160 c/ha。结果表明，机器学习和气候数据在哈萨克斯坦北部小麦产量预测和农业决策支持方面具有潜力。