Ertragsvorhersage von landwirtschaftlichen Nutzpflanzen mithilfe tiefer Neuronaler Netze

Die Ertragsmenge von Nutzpflanzen ist ein hochkomplexes Merkmal, das durch mehrere Faktoren wie Genotyp, Umwelt und deren Interaktionen bestimmt wird. Eine genaue Ertragsvorhersage erfordert ein grundlegendes Verständnis der funktionalen Beziehung zwischen Ertrag und diesen interaktiven Faktoren. Die Aufdeckung dieser Beziehung setzt umfassende Datensätze und leistungsfähige Algorithmen voraus. Im Rahmen der Syngenta Crop Challenge 2018 veröffentlichte Syngenta mehrere große Datensätze, die den Genotyp und die Ertragsleistungen von 2.267 Mais-Hybriden dokumentierten, die zwischen 2008 und 2016 an 2.247 Standorten angebaut wurden, und bat die Teilnehmer, die Ertragsleistung für das Jahr 2017 vorherzusagen. Als eines der siegreichen Teams entwickelten wir einen Ansatz mit einem tiefen neuronalen Netzwerk (DNN), der sich von modernsten Modellierungs- und Lösungstechniken herleitete. Unser Modell zeigte eine überlegene Vorhersagegenauigkeit, wobei der quadratische Mittelwertfehler (RMSE) bei der Validierung mit vorhergesagten Wetterdaten 12 % des durchschnittlichen Ertrags und 50 % der Standardabweichung betrug. Bei perfekten Wetterdaten würde sich der RMSE auf 11 % des durchschnittlichen Ertrags und 46 % der Standardabweichung reduzieren. Wir führten zudem eine Merkmalsauswahl basierend auf dem trainierten DNN-Modell durch, die es ermöglichte, die Dimension des Eingaberaums zu reduzieren, ohne dass dies zu einem signifikanten Rückgang der Vorhersagegenauigkeit führte. Unsere computergestützten Ergebnisse deuten darauf hin, dass dieses Modell andere gängige Methoden wie Lasso, flache neuronale Netze (SNN) und Regressionsbäume (RT) erheblich übertreffen konnte. Die Ergebnisse zeigten außerdem, dass Umwelteinflüsse einen größeren Einfluss auf den Pflanzenertrag haben als der Genotyp.