Intégration de la modélisation des cultures et de l'apprentissage automatique pour une prédiction améliorée du rendement du blé de terre sèche

Un des domaines de recherche cruciaux dans les processus de prise de décision agricole est la prédiction des rendements des cultures. Cette étude tire parti des avantages des modèles hybrides pour aborder l'interaction complexe des facteurs génétiques, environnementaux et de gestion afin d'obtenir des prévisions de rendements plus précises. Par conséquent, cette étude a utilisé les données de l'environnement de croissance du blé, de la gestion des cultures et des rendements historiques dans des champs expérimentaux dans le district d'Anding, ville de Dingxi, province du Gansu, de 1984 à 2021 pour construire huit modèles d'apprentissage automatique et des modèles d'ensemble. De plus, le simulateur des systèmes de production agricole (APSIM), l'apprentissage automatique (ML) et l'APSIM combiné avec l'apprentissage automatique (APSIM-ML) ont été utilisés pour prédire les rendements du blé en 2012, 2016 et 2021. Les résultats montrent que le modèle de prédiction d'ensemble pondéré APSIM-ML, optimisé pour minimiser le MSE, a obtenu les meilleurs résultats. Comparé aux modèles ML et APSIM optimisés, les améliorations moyennes du RMSE, RRMSE et MBE pour les années de test étaient respectivement de 43,54 kg/ha, 3,55 % et 15,54 kg/ha, et 93,96 kg/ha, 7,55 % et 104,21 kg/ha. Parallèlement, nous avons constaté que le flux dynamique d'eau et d'azote entre le sol et les cultures avait le plus grand impact sur la prédiction du rendement du blé. Cette étude a amélioré la précision de la prédiction du rendement du blé de terre sèche dans la province du Gansu et fournit un soutien technique pour la production intelligente de blé de terre sèche dans la zone collinéenne de loess.