Prédiction du rendement des cultures à l'aide de réseaux neuronaux profonds

Le rendement des cultures est un trait hautement complexe déterminé par de multiples facteurs tels que le génotype, l'environnement et leurs interactions. Une prédiction précise du rendement nécessite une compréhension fondamentale des relations fonctionnelles entre le rendement et ces facteurs interactifs, et pour révéler ces relations, il faut disposer à la fois de jeux de données exhaustifs et d'algorithmes puissants. Dans le Défi Syngenta sur les Cultures de 2018, Syngenta a mis à disposition plusieurs grands ensembles de données enregistrant les performances génotypiques et de rendement de 2 267 hybrides de maïs plantés dans 2 247 emplacements entre 2008 et 2016, et a demandé aux participants de prédire les performances de rendement pour l'année 2017. En tant qu'une des équipes gagnantes, nous avons conçu une approche basée sur un réseau neuronal profond (DNN) qui tirait parti des techniques de modélisation et de résolution les plus avancées. Notre modèle s'est avéré avoir une précision prédictive supérieure, avec une erreur quadratique moyenne (EQM) représentant 12 % du rendement moyen et 50 % de l'écart type pour l'ensemble de validation utilisant des données météorologiques prédites. Avec des données météorologiques parfaites, l'EQM serait réduite à 11 % du rendement moyen et 46 % de l'écart type. Nous avons également effectué une sélection de caractéristiques basée sur le modèle DNN entraîné, ce qui a permis de réduire significativement la dimension de l'espace d'entrée sans entraîner une baisse notable de la précision prédictive. Nos résultats computationnels ont suggéré que ce modèle surpassait significativement d'autres méthodes populaires telles que Lasso, les réseaux neuronaux peu profonds (SNN) et les arbres de régression (RT). Les résultats ont également révélé que les facteurs environnementaux avaient un effet plus important sur le rendement des cultures que le génotype.