Machine Learning-Based Crop Yield Forecasting Using Environmental and Agricultural Parameters
Pavan Sahu · Om Prakash Karada
用机器学习集成方法预测作物产量，比较七种回归算法，发现Bagging效果最佳。
使用FAO和世界银行数据，训练七种回归模型，用MSE等指标和5折交叉验证评估。
集成模型优于传统回归，Bagging回归器R²最高达98.59%。
可探索集成模型在区域尺度或不同作物上的泛化性，或引入更多环境变量如土壤湿度。
研究对比多种机器学习模型预测作物产量，方法系统，结果可靠，对精准农业有参考价值。
作物产量预测是精准农业的重要组成部分，可靠的预测能够为农业规划、资源配置和粮食安全决策提供支持。然而，作物生产力受到多种相互关联的环境和农业因素的影响，使得准确预测成为一项具有挑战性的任务。本研究开发了一种基于机器学习的作物产量预测框架，综合考虑降雨量、平均温度、农药使用量、作物类型、地理区域及逐年农业信息。实验分析使用了源自公开可获取的FAO和世界银行数据并经处理的数据集。研究训练并比较评估了七种回归算法，即线性回归、随机森林、梯度提升、XGBoost、K近邻（KNN）、决策树和Bagging回归器。其性能通过均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、决定系数（R²）以及5折交叉验证进行评估。实验结果表明，基于集成学习的模型比传统回归方法具有更强的预测性能。在评估的模型中，Bagging回归器取得了最高的测试R²分数98.59%，平均交叉验证分数为98.80%，同时随机森林和XGBoost也展现出较强的预测性能。本研究的主要贡献在于构建了一个比较性的作物产量预测框架，该框架将农业与环境变量同多模型评估、交叉验证、特征重要性分析及多种误差指标相结合。研究结果证明了集成机器学习方法在作物产量估算方面的潜力，并为其在未来数据驱动的智慧农业系统中的实际应用奠定了基础。