An Optimized Temporal Attention-based Deep Learning Framwork for Accurate Crop Yield Prediction from Multi-source Agricultural Data
M. Lokeshwari · Nivethitha Manavalagan · P. Amrutha 等 5 人
提出TA-ABC-Bi-LSTM模型，用多源农业数据精准预测水稻产量。
基于时间注意力与人工蜂群优化的Bi-LSTM，融合气象、土壤、Sentinel-
模型RMSE为298.01 kg/ha，R²达81.76%，优于RF、SVR、DNN、CNN、LST
可探索轻量化注意力机制与迁移学习，将模型推广至多作物、小样本及实时预测场景。
提出时序注意力结合人工蜂群优化的Bi-LSTM产量预测模型，基于30年多源数据取得较高精度，方法新颖且数据规模可观，对精准农业与农业保险决策有参考价值。
背景：在精准农业中，作物产量预测对于支持有效的作物管理、农民作物保险的及时理赔、粮食安全规划以及作为实现可持续农业的决策工具至关重要。然而，由于天气、土壤属性、多光谱遥感观测等多种条件之间复杂的交互作用以及作物生长的动态变化，作物产量预测仍然困难。尽管现有的机器学习、深度学习等人工智能技术在作物产量预测方面表现优异，但往往无法捕捉时间依赖性。此外，确定模型训练的最优超参数仍是一项具有挑战性的任务，显著影响预测精度、模型收敛性和泛化性能。方法：为解决上述问题，本研究旨在利用基于时间注意力（TA）的人工蜂群（ABC）算法优化的双向长短期记忆（Bi-LSTM）模型，结合多源农业数据预测作物产量。所提出的模型能够同时从历史和未来时间步中学习序列和时间依赖关系，数据来源包括历史气象变量、土壤属性、遥感衍生的归一化植被指数（NDVI）以及历史产量数据。采用ABC算法以最短运行时间自动优化模型超参数。结果：该模型使用泰米尔纳德邦各地区的稻米产量记录、历史气象变量、Sentinel-2衍生的NDVI和土壤属性进行训练。数据集收集了1995年至2025年（30年）主要水稻种植区的数据。该模型相比随机森林、支持向量回归、深度神经网络、卷积神经网络、长短期记忆模型等传统方法表现出更优的性能，均方根误差更低（RMSE = 298.01 kg ha-1），决定系数R²更高（81.76%）。此外，TA-ABC-Bi-LSTM模型的训练时间相比对比模型更短，因为ABC优化算法相比传统的试错手动方法能够调优出最佳超参数。