近日，荷兰学者Dilli Paudel 等在Computers and Electronics in Agriculture期刊上发表了题为“Interpretability of deep learning models for crop yield forecasting“的文章，分析了多个基于深度学习训练的玉米产量预测模型，通过特征归因方法评析其学习方式和预测步骤解析各个模型的可解释性，显示了深度学习网络对作物产量预测的潜力。
关键词：作物产量、深度学习、神经网络、可解释性、人为干预
doi : 10.1016/j.compag.2023.107663
01
创新点
深度学习模型学到了特征和产量之间的正确关系。深度学习的神经网络模型可将产量预测误差最小化。高准确性的产量预测模型中选定的特征与专家挑选的相似。02
该研究的目的是评估深度学习方法在作物产量预测中的准确性和可解释性，建立了三种类型的模型来评估神经网络自动学习特征和准确预测产量的能力。
Fig. 1. Framework to assess performance and interpretability of deep learning models.
03
GBDT是一种需要专业特征来拟合数据的典型机器学习算法。对于作物生长的不同时期，专家们提供了大量影响作物生长发育并影响最终作物产量的季节性指标。
Fig. 2. Deep learning framework (b) compared with the GBDT setup (a).
04
对小麦(soft wheat)和玉米(grain maize)的特征重要性得分进行了分析，专家评估了基于影响产量的因素及其互作信息训练的深度学习模型所得到的特征重要性的可解释性。
Fig. 3. Agreement, disagreement quadrants for expert evaluation of interpretability.
Fig. 4. Performance comparison 60 days before harvest.
05
综合结果表明：当数据量很大(至少约为10000个)时，深度学习模型可以显著提高性能，而手动特征设计并不能显著提高模型性能。
Fig. 5. Importance and interpretability of static features.
Fig. 6. Importance of biomass features 60 days before harvest.
此研究评估了基于深度学习开发的小麦和玉米产量预测模型的性能和可解释性。深度学习提供了自动特征学习的优势， 可以解决大规模手动特征设计的局限性。
