dnn神经网络_基于深度神经网络的作物产量预测

作物产量预测对全球粮食生产具有重要意义。决策者依靠准确的预测，及时做出进出口决策，加强国家粮食安全；种子公司需要预测杂交新品种在各种环境中的表现，以便培育出更好的品种；种植者和农民也从产量预测中受益，以便做出明智的管理和财务决策。然而，作物产量是一个高度复杂的性状，由基因型、环境及其相互作用等多种因素决定，作物产量预测具有极大的挑战性。准确的产量预测需要从根本上理解产量与这些交互因素之间的函数关系，揭示这种关系需要综合的数据集和强大的算法。在2018年先正达作物挑战赛(2018 Syngenta Crop Challenge)中，先正达发布了多个大型数据集，记录了2008年至2016年间在2247个地点种植的2267个玉米杂交种的基因型和产量表现，并要求参与者预测2017年的产量表现。

训练数据包括三组：作物基因型、产量表现和环境(天气和土壤)。基因型数据集包含所有实验杂交种的遗传信息，每个杂交种都有19465个遗传标记。产量表现数据集包含产量、对照产量(同一地点所有杂交种的平均产量)以及产量差异。产量差异是产量和对照产量之间的差异，表明杂交种在同一地点相对于其他杂交种的相对性能。环境数据集包含8个土壤变量和72个天气变量(每年12个月测量6个天气变量)。土壤变量包括粘土/粉土/砂的百分比、有效含水量、土壤pH值、有机质含量、土壤饱和导水率等。天气数据包括日长、降水、太阳辐射、最高温度、最低温度等。

作为挑战赛获胜团队之一，Saeed Khaki 和Lizhi Wang设计了一种用于作物产量预测的深度神经网