基于机器学习算法预测香蕉产量

摘要

基于机器学习算法对皇帝蕉产量进行预测，明确最优预测模型及产量影响因素，为海南省澄迈县皇帝蕉的养分综合管理及产量预测等提供技术支撑。结合相关性分析和逐步回归分析法对输入变量进行筛选，然后采用随机森林（RF）、支持向量机（SVM）、K近邻（KNN）和人工神经网络（ANN）4种机器学习算法建立皇帝蕉产量预测模型，利用Shapley加法解释（SHAP）法解释模型，揭示影响皇帝蕉产量的主导因素，并量化分析其对产量的影响。结果表明：ANN模型预测性能最佳，R2为0.98,RMSE和MAE分别为0.16和0.10 kg·株^-1，预测值基本无偏差。ANN模型在100样本数据量左右下误差已得到收敛，更小的成本也能获得优良预测效果。虽然SVM模型预测性能只是稍差于ANN模型，但其有欠拟合风险。KNN和RF模型预测性能欠佳，有过拟合问题，且在当前样本量下误差还没收敛。SHAP法对ANN模型预测结果解释是：速效钾、碱解氮、交换性钙、交换性镁是影响皇帝蕉产量的主导因素，当蕉园速效钾含量大于100 mg·kg^-1，碱解氮含量大于100 mg·kg^-1，交换性钙含量大于600 mg·kg^-1，交换性镁含量大于60 mg·kg^-1时对皇帝蕉产量起促进作用。在土壤交换性钙、镁缺乏时，增加土壤有效锰、有效锌的含量可能会缓解蕉园缺素胁迫。

关键词

香蕉 / 土壤养分 / 产量预测 / 机器学习 / SHAP

基金资助

海南省重点研发项目“海南特色蕉自育新品种提质增效关键技术的研发与示范”（ZDYF2022XDNY270）; 国家香蕉产业技术体系“三亚综合试验站”（CARS-31-25）; “中国热科院基本科研业务费专项”（1630092022001）