A Hybrid Model for Crop Yield Prediction Using Recurrent Neural Networks and Explainable Artificial Intelligence
Stephen Gitau Ndung’u · Consolata Gakii
用LSTM结合可解释AI预测肯尼亚玉米产量，兼顾精度与透明度。
基于2012-2023县级玉米产量数据，LSTM融合SHAP与LIME，对比随机
LSTM精度最高（R²=0.8551），经度、纬度和年降雨量是主要预测因子。
可探索将可解释AI与遥感、气象多源数据融合，提升小农户区域产量预测的可信度与推广性。
将LSTM与可解释AI结合用于肯尼亚县级玉米产量预测，方法新颖、指标详实，对智慧农业有参考价值，但属境外区域研究，公共影响有限。
准确的玉米产量预测对于保障肯尼亚粮食安全和支持农业规划至关重要。然而，气候变化和极端天气对产量稳定性和粮食安全构成了更多挑战。尽管长短期记忆（LSTM）网络等先进机器学习模型具有强大的预测性能，但其固有的“黑箱”特性限制了农民和政策制定者的实际采用，因为他们需要可解释且可信的洞见。本研究通过将LSTM与可解释人工智能（XAI）相结合，开发了一个透明的预测模型。利用县级玉米产量数据（2012—2023年），将该混合模型与随机森林和梯度提升基线模型进行了比较。LSTM模型取得了更优的性能（R² = 0.8551，RMSE = 0.3715，MAE = 0.2705），优于随机森林（R2 = 0.8441，RMSE= 0.3851，MAE= 0.2856）和梯度提升（R2 = 0.7925，RMSE = 0.4443，MAE = 0.3234）基线模型。使用SHapley加法解释（SHAP）和局部可解释模型无关解释（LIME）进行的XAI分析，确定了经度、纬度和年降雨量是关键预测因子。该模型在保持高精度的同时提高了可解释性，增强了透明度和信任。这为农民和政策制定者提供了可操作的洞见，支持基于证据的规划，并增强小农系统的韧性。关键词：作物产量预测，长短期记忆（LSTM），可解释人工智能，精准农业，机器学习。