High-Precision Crop Yield Prediction Model Combining GANs and Random Forest

方法

GAN生成合成样本缓解数据稀缺，随机森林基于农业气候与土壤数据预测。

发现

随机森林预测精度高（R²>0.95，部分达0.99），优于传统回归模型。

机会点

可探索GAN生成样本的农学合理性验证及跨区域迁移学习以提升泛化能力。

摘要 得益于深度学习的最新发展，作物产量预测算法如今已更加准确和实用。为了分析作物产量，本研究探索了随机森林方法与生成对抗网络（Generative Adversarial Networks，GANs）的结合。为了克服数据稀缺和类别不平衡问题，研究使用GANs进行数据增强，生成逼真的合成样本以强化深度学习模型。研究采用多种农业气候和土壤数据集，利用随机森林这一集成机器学习技术来预测产量。比较分析表明，随机森林优于传统回归模型，并在不同地区和作物间展现出强大的泛化能力，通常能够实现较高的预测精度（R2 > 0.95）。随机森林用于预测与GANs用于数据增强的互补应用，为精准农业提供了有力的基础，使作物产量分析能够实现更高的精度。通过适当的超参数调优，随机森林可以达到非常高的精度（在某些研究中R²高达0.99），使其成为实际产量预测的首选方法。