YieldVision: Model-Driven Decision Support System for Crop Yield Prediction
D.J.S. Sako
提出YieldVision决策支持系统，用RF、LSTM及混合模型预测作物产量并部署应用。
基于土壤、环境与作物数据，构建RF、LSTM和RF-LSTM混合模型并集成到We
随机森林表现最佳，R²达99.10%，优于LSTM（87.50%）和混合模型（97.30%）。
可探索多源实时数据融合与模型可解释性，提升跨区域泛化能力并降低对高精度历史数据的依赖。
提出RF、LSTM及混合模型并集成决策支持系统，方法对比与精度数据扎实，对智慧农业产量预测有参考价值，但属单篇论文且来源期刊影响力有限。
农业作为全球粮食安全的基石，在实现可持续生产力方面面临着前所未有的挑战。作物产量预测作为农业规划的关键环节，因技术和方法上的不足而效率低下。传统方法依赖历史数据和经验估算，但由于缺乏实时数据集成且难以获取准确数据，往往无法应对环境相互作用的复杂性，导致预测不准确和资源管理不善。解决这些问题需要开发基于先进机器学习（ML）模型的系统，能够在动态环境中高精度地预测作物产量。本文提出了YieldVision，一个由先进机器学习模型驱动的决策支持系统，用于基于环境、土壤和作物特定因素的作物产量预测。在本研究中，我们提出了三种作物预测模型：随机森林（RF）、长短期记忆网络（LSTM）和混合模型（RF-LSTM）。随机森林回归器有效捕捉了土壤养分、施肥量和温度之间复杂的非线性关系。LSTM网络学习了短期天气波动如何随时间影响作物发育，而混合模型将LSTM用于环境相关因素，RF用于土壤相关因素。在包含土壤和天气参数的作物产量预测数据集上的实验结果表明，随机森林具有最高的准确率𝑅2 = 99.10%，优于LSTM和混合模型，后两者的准确率分别为87.50%和97.30%，证实了随机森林对该数据集的适用性。与LSTM和混合模型相比，随机森林具有最低的RMSE和MAE。这些模型被集成到一个决策支持系统中，该系统已部署用于在实际环境中运行这些模型，其用户界面可通过移动端或网页访问，向农民和农艺师提供实时警报和产量预测。