Frontiers in Plant Science / 生物通 2026年9月9日·9月9日 · 周三论文农业人工智能与决策模型阅读 0
《面向部署的中国南方水稻产量预测阶段特异性信息评估:跨年份、地点及地点-年份环境》
论文解读
79精选
速览
基于中国南方多环境水稻数据，评估机器学习产量预测在不同部署场景下的真实精度。
方法
用10地点7年3204条记录，比较五组特征集在多种交叉验证下的表现。
发现
随机交叉验证R²达0.844，但前向年份、留一地点等部署场景R²仅0.13-0.36。
机会点
需开发跨年份地点鲁棒建模与迁移学习，缩小随机验证与真实部署间的精度差距。
影响力18
信息增量22
专业深度18
信源权威13
时效性8
基于中国南方10地7年3204条产量记录的场景感知机器学习框架，系统揭示交叉验证精度与真实部署性能的巨大落差，对农业AI落地评估有实质参考价值。
原文摘要
研究人员利用中国南方10个地点、7年、67个地点-年份环境下168个品种的3204条产量记录,开发场景感知的机器学习框架。研究在随机五折交叉验证、留一年验证、前向年份预测、留一地点验证和留一地点-年份验证中比较五组建模特征集。随机五折交叉验证产生最高表观精度,最优田间调查增强模型达到R²=0.844,RMSE为340.59 kg/ha;面向部署的性能较低,在前向年份预测中宏平均R²为0.359,留一地点验证为0.290,留一地点-年份验证为0.131。