Forecasting cocoa export volumes in Indonesia using remote sensing, climate variability, and economic indicators: A comparative modeling approach
Erna Nurmawati · Neli Agustina · Robert Kurniawan 等 6 人
融合遥感、气候与经济指标，比较多种模型预测印尼可可出口量，XGBoost表现最佳。
用EVI、LST、降水、ONI、DMI、价格、汇率等变量，比较ARIMAX、SA
XGBoost预测精度最高，MAPE为7.56%，显著优于统计模型和混合模型。
可探索多源遥感与气候指数融合的混合模型，提升农产品出口预测精度与可解释性。
将遥感、气候指数与经济变量整合进可可出口预测框架，XGBoost 表现最优，方法新颖且结论可靠，对农产品贸易信息化有参考价值。
农业出口的准确预测对于支持生产规划、贸易管理和循证政策制定至关重要。然而，可可出口预测仍然具有挑战性，因为出口量受到环境、气候和经济因素相互交织的影响。本研究提出了一种印度尼西亚可可出口量的集成预测框架，将遥感指标、气候指数和经济变量纳入统计、机器学习、深度学习和混合预测方法中。外生变量包括增强植被指数（EVI）、地表温度（LST）、降雨量、可可价格、海洋尼诺指数（ONI）、偶极子模态指数（DMI）和汇率。本研究评估了基准模型（Naïve、Seasonal Naïve和ETS）、统计时间序列模型（ARIMAX和SARIMAX）、机器学习和深度学习模型（XGBoost和LSTM）以及SARIMAX–XGBoost混合模型。模型性能通过均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）在2023年11月至2025年3月的独立17个月测试期内进行评估。XGBoost取得了总体最佳的预测性能，测试RMSE最低为2,609,038 kg，MAE为2,096,098 kg，MAPE为7.56%。其相对于ARIMAX、SARIMAX和SARIMAX–XGBoost混合模型的优势得到了使用修正Diebold–Mariano（DM）检验和Kolmogorov–Smirnov预测精度（KSPA）检验的成对比较的支持。与LSTM的比较显示，根据DM检验无统计学显著差异，尽管KSPA检验表明存在显著差异。这些发现表明，在所评估的模型中，XGBoost提供了最强的样本外预测性能。