基于LightGBM的冬小麦产量估测与可解释性研究OA北大核心CSCDCSTPCD
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Light…查看全部>>
王鹏新;王颖;田惠仁;王婕;刘峻明;权文婷
中国农业大学信息与电气工程学院,北京100083 农业农村部农机作业监测与大数据应用重点实验室,北京100083中国农业大学信息与电气工程学院,北京100083 农业农村部农机作业监测与大数据应用重点实验室,北京100083中国农业大学信息与电气工程学院,北京100083 农业农村部农机作业监测与大数据应用重点实验室,北京100083中国农业大学信息与电气工程学院,北京100083 农业农村部农机作业监测与大数据应用重点实验室,北京100083中国农业大学土地科学与技术学院,北京100193陕西省气象局,西安710014
计算机与自动化
冬小麦估产可解释性条件植被温度指数机器学习
《农业机械学报》 2023 (12)
P.197-206,10
国家自然科学基金项目(42171332)。
评论