利用人工智能结合气候变量与植被指数识别花生成熟度的研究及意义

传统预测花生成熟的方法如外壳刮擦法和植被指数法存在耗时、主观、劳动密集且未考虑气候变量等问题，导致准确性下降。研究人员收集巴西和美国商业农田数据，测试四种机器学习模型。结果显示 XGBoosting 模型表现最佳，结合气候变量可提升模型性能，有助于农民决策、减少损失并提高花生品质。

　　花生成熟度的预测在农业生产中至关重要。传统的预测方法，例如外壳刮擦法以及植被指数法被广泛应用，但这些方法存在诸多弊端。它们耗时费力，主观性强，并且无法将气候变量纳入考虑范围，这大大降低了预测的准确性。因此，本研究旨在验证利用人工智能结合植被指数（IV）和气候变量来预测田间花生荚成熟度变异性的潜力。研究人员收集了巴西和美国商业农田不同日期的花生成熟度数据，利用高分辨率卫星图像计算了 9 种植被指数（IV），并通过美国国家航空航天局（NASA）的 POWER 平台获取了每个区域的 4 个气候变量。研究测试了 4 种机器学习模型，通过随机森林特征选择来确定训练的输入数据。模型训练时，70% 的数据用于训练，30% 用于测试，并采用 K 折交叉验证。结果表明，XGBoosting 模型取得了最佳效果，其测试的 R²值在 0.90、0.89、0.93 和 0.87 之间变化，平均绝对误差（MAE）和均方根误差（RMSE）最小可达 0.05。不过，在佐治亚州数据集的测试中，多层感知器（MLP）模型表现最佳，R²值达到 0.93，MAE 为 0.05，RMSE 为 0.06。径向基函数（RBF）模型的结果最差，所有数据集的一致性指数（d）仅为 0.4，表明预测值与观测值之间的一致性较低。研究得出结论，结合气候变量能够提升模型性能，然而，诸如地形条件和土壤类型等田间详细信息可能是进一步提高模型性能的有效途径。利用针对整体数据集校准后的模型，各地花生种植户能够监测和绘制田间花生成熟度指数（PMI）的变异性，从而优化决策，减少损失，并提升花生果仁的品质。