农业机械学报

作者：王鹏新，王颖，田惠仁，王婕，刘峻明，权文婷

单位：中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,陕西省气象局,

关键词：冬小麦;估产;可解释性;条件植被温度指数;机器学习

基金：国家自然科学基金项目（42171332）

机器学习模型在作物长势监测和产量估测过程中，复杂模型的内部机制难以理解，为了在准确估测作物产量的同时给出合理解释，本文选取条件植被温度指数（VTCI）以及冬小麦产量数据，基于轻量级梯度提升机（LightGBM）开展关中平原冬小麦的产量估测研究，并将局部可解释性模型无关方法（LIME）、部分依赖图（PDP）和个体条件期望图（ICE）等全局和局部可解释性方法用于对模型估测结果的进一步解释。结果表明，与其他机器学习方法相比，经过网格搜索优化的LightGBM能够准确地估测冬小麦产量，估测单产与实测单产的决定系数R2达到0.32，均方根误差（RMSE）为809.10kg/hm2，平均相对误差（MRE）为16.55%，达到极显著水平（P<0.01），表明该模型有较高的预测精度和泛化能力。进一步可解释性实验表明，网格搜索优化的LightGBM能够准确提取数据蕴含的信息，从全局角度来看，冬小麦4个生育期中拔节期VTCI对产量形成最为重要，抽穗-灌浆期和乳熟期次之，返青期则影响最小，这与先验知识相符合；从局部角度来看，局部可解释性方法基于冬小麦产量西高东低的空间特征能够进一步提供不同县（区）产量存在差异的原因，为关中平原的田间管理提供参考，对冬小麦的稳产增产具有应用价值。

来源：2023年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第12期