Vorhersage des Maiseertrags in China mithilfe von Multi-Source-Datensätzen und Machine-Learning-Algorithmen

Eine zeitgerechte und genau vorhergesagte Ernte kann die regionale und globale Ernährungssicherheit gewährleisten. Die wissenschaftliche Gemeinschaft verbessert schrittweise die Vorhersage des Maiseertrags im regionalen Maßstab. Die Kombination verschiedener Datensätze bei der Vorhersage des Maiseertrags im regionalen Maßstab unter Verwendung einfacher und genauer Methoden ist jedoch nach wie vor relativ selten. Hier haben wir Multi-Source-Datensätze (Klimadatensatz, Satellitendatensatz und Bodendatensatz), den Lasso-Algorithmus und Machine-Learning-Methoden (Random Forest, Support Vector, Extreme Gradient Boosting, BP-Neuronales Netzwerk, Long Short-Term Memory-Netzwerk und K-nächste Nachbarn Regression) verwendet, um den Maiseertrag auf Landkreisebene in China vorherzusagen. Der Einsatz von Multi-Source-Datensätzen verbesserte die Vorhersagegenauigkeit des Maiseertrags im Vergleich zum einzelnen Datensatz erheblich. Wir fanden heraus, dass die Machine-Learning-Methoden dem Lasso-Algorithmus überlegen waren, während Random Forest, Extreme Gradient Boosting und Support Vector Machine die bevorzugtesten Methoden zur Vorhersage des Maiseertrags in China darstellten (R2 ≥ 0,75, RMSE = 824–875 kg/ha, MAE = 626–651 kg/ha). Der Klimadatensatz trug mehr zur Vorhersage des Maiseertrags bei, während der Satellitendatensatz zur Verfolgung des Wachstumsprozesses des Mais beitrug. Allerdings variierten die Genauigkeiten der Methoden und die dominierenden Variablen, die das Maiswachstum beeinflussen, je nach landwirtschaftlichen Regionen in verschiedenen geografischen Lagen. Unsere Forschung stellt einen wichtigen Beitrag zur Untersuchung der Machbarkeit von Multi-Source-Datensätzen und Machine-Learning-Techniken für die Vorhersage des Maiseertrags im regionalen Maßstab dar. Zudem bietet die hier vorgeschlagene Methodologie eine Anleitung für zuverlässige Erntevorhersagen verschiedener Kulturen.