.png){kind=icon}
返回
Integrating meteorological and breeding data to predict maize yields using machine learning algorithms
.png){kind=icon}
OA
AI
DOI：10.3389/fpls.2025.1722068.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言
准确的作物产量预测对于保障全球粮食安全至关重要；尤其是在气候变化等日益严峻的环境挑战下。尽管深度学习（DL）方法在产量预测中显示出潜力，但它们通常需要大量数据集和巨大的计算资源。
方法
为解决这些局限性，本研究开发了一种机器学习（ML）模型，用于预测玉米杂交种产量，通过整合气象数据与育种者水平的遗传信息，特别是采用最佳线性无偏预测（BLUP）方法估算的育种值。评估并优化了四种常用的ML算法：随机森林（RF）、XGBoost、支持向量回归（SVR）和高斯过程回归（GPR）。
结果
在这些模型中，RF算法表现最佳，其决定系数（R²）为0.64，均方根误差（RMSE）为1010.59 kg/ha，平均绝对误差（MAE）为743.89 kg/ha，相对均方根误差（RRMSE）为10.32%，平均绝对百分比误差（MAPE）为8.3%。
讨论
这些结果表明，所提出的基于RF的模型能够为特定玉米品种在不同种植条件下提供准确的产量预测。该预测框架为农民选择适应性强的杂交种提供了实际支持，并为育种者识别针对特定环境优化的高产玉米杂交种提供了一种低成本、高效的工具。因此，该模型促进了更智能的育种策略和更精确的栽培建议。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.8
论文数:
3.5W
被引数:
14.7W
机构
引用论文
Estimating Maize Yield from 2001 to 2019 in the North China Plain Using a Satellite-Based Method利用基于卫星的方法估算2001年至2019年期间华北平原的玉米产量。Remote Sens. 15 (17), 4216
PREAI
分享收藏
Improving process-based crop models to better capture genotypexenvironmentxmanagement interactions
PREAI
分享收藏Application of Artificial Neural Networks for Multi-Criteria Yield Prediction of Winter Rapeseed人工神经网络在多指标冬油菜产量预测中的应用.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容