Rice Yield Prediction Using Multi-Modal Regression Learning with Optimized Ensemble Models
Nayana Venkatesh · Evangelin Geetha Devaraj
构建多模态回归学习框架，融合气候、遥感与作物因子，实现水稻产量连续预测。
融合降雨、温度、NDVI、SAR后向散射等多源特征，用非负权重集成多个回归器。
集成模型R²达0.9515，RMSE为0.6334吨/公顷，优于各单一回归模型。
可引入真实田间多时相遥感与深度时序模型，验证合成数据结论在真实产区的泛化性。
多模态回归集成方法在水稻估产上取得较高精度，方法新颖、数据规模明确，对农业信息化有参考价值，但属学术论文且数据集为模拟数据，产业影响有限。
准确的水稻产量估算对农业规划、资源配置和粮食安全评估具有重要意义，但产量取决于气候、植被、遥感、季节和作物生长等多种因素的相互作用。本研究提出了一种用于连续水稻产量预测的多模态回归学习（Multi-Modal Regression Learning，MMRL）框架。该框架整合了降雨量、温度、湿度、归一化植被指数（NDVI）、VH合成孔径雷达（SAR）后向散射、季节、水稻种植面积和叶片湿润信息。在模型开发之前评估预测变量的相关性，并使用共同特征集训练多个回归学习器。其验证预测结果通过约束为和等于1的非负集成权重进行组合，从而生成单一优化预测。实验在代表卡纳塔克邦条件的建模时空农业数据集上进行，使用10,000个观测值进行回归比较。所提出的MMRL集成模型实现了R²为0.9515、RMSE为0.6334吨/公顷、MAE为0.5075吨/公顷、MAPE为9.81%，优于所评估的各个回归模型。诊断图进一步表明，在大多数评估范围内，预测产量与参考产量高度一致。MMRL工作流程还在一个单独重建的合成数据集上进行了评估，该数据集使用完全指定的分布、采样规则、噪声项、产量生成方程和固定随机种子生成。