Zenodo (CERN European Organization for Nuclear Research)·9月30日 · 周三论文农业人工智能与决策模型阅读 0
High-Precision Crop Yield Prediction Model Combining GANs and Random Forest
S. Kavitha
论文解读
61接近精选线
速览
结合GAN数据增强与随机森林，构建高精度作物产量预测模型。
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。
影响力16
信息增量18
专业深度15
信源权威12
时效性0
将GAN数据增强与随机森林结合用于作物产量预测，方法组合有新意且精度结论明确，但属预印本平台论文、发布日期异常且时效性差，暂不宜进入每日精选。
原文摘要
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。