耕作实践使用季节性降水影响冬小麦产量的预测

介绍

小麦(小麦l .)是非常重要的在全球作物生产系统,它占据了19.3%的全球作物生产区域(Dhillon et al ., 2019)。它提供了很大一部分的总热量(19%)全球消费(Shiferaw et al ., 2013)。这意味着它是一个作物受到众多研究工作需要为满足日益增长的全球粮食需求实现可持续生产与人口的增长(巴雷特,2021)。因此,理解影响小麦产量因素是关键实现小麦生产系统的可持续性。研究了冬小麦产量潜力是一个变量,来帮助在适当的作物管理决策(Colaco绿色大苹果,2019;Zhang et al ., 2019;Marszalek et al ., 2022)。例如,这是作为基础为氮肥推荐是否种植前的(收益率目标)或规定(Dahnke et al ., 1988;Raun et al ., 2002)。更准确地估计产量潜力,可能性越高,一个良好的管理决策。

近几十年来,人们一直十分重视的使用技术来预测产量潜力。这包括使用卫星和遥感仪器如GreenSeeker(近端菲利皮主持et al ., 2019;Kamir et al ., 2020;戈麦斯et al ., 2021)。这些方法的核心,是在特定电磁波波长光谱反射率测量收集。这些测量进一步转化为归一化植被指数(NDVI)或当令估计收益率(INSEY)或其他指标来预测产量潜力有或没有其他预测(Raun et al ., 2001;戈麦斯et al ., 2021)。这可以占到88%的变异性冬小麦籽粒产量(尤努斯和Polat 2022)。更多的预测改进算法的精度可以预测粮食产量潜力(Colaco绿色大苹果,2019)。然而,随着更多的预测,有一个过度拟合模型的可能性增加,仔细选择的功能需要进行(詹姆斯et al ., 2021)增加产量预测精度。

降水和其他气候变量通常推荐使用与其他预测来提高产量预测精度(菲利皮主持et al ., 2019;教室et al ., 2021)。尽管在特定的增长或生殖阶段降水可能有很强的线性关系与籽粒产量符合使用普通最小二乘法(哈特菲尔德Dold, 2018),整个生长季降水可能与粮食产量的关系。例如,卡马拉et al。(2003)显示,年度和季节性降水在俄勒冈州有一个正的线性关系与籽粒产量,但降水量仅占5.9 -14.2%的粮食产量的变化。因为它是可能的,这是一个R²由拟合模型对整个数据集(不可分割的培训和验证集),R²使用测试数据可以获得低于上面所述的5.9 - -14%。同理,Omara et al。(2020)在俄克拉何马州进行了一项研究,发现季节性降水约占25%的变异在籽粒产量氮率最高时使用线性回归模型评估。这也是不验证,可变性模型解释的可能低于R²获得在模型校准。一个贫穷的降水之间的关系也被观察到专门在生殖阶段和小麦籽粒产量,但降水有更多营养阶段(期间对籽粒产量的影响Yu et al ., 2014)。尽管如此,这项研究并没有表明降水量的大小占粮食产量的变化。考虑到季节性降水和籽粒产量之间的关系可能会低,似乎违反直觉的使用季节性降水作为唯一的冬小麦籽粒产量潜力的预测。然而,随着机器学习技术的进步(詹姆斯et al ., 2021),它可能会探索降水之间的非线性关系和籽粒产量增加预测的准确性。瓦拉赫et al . (2006)指出,捕捉非线性的模型可以帮助我们理解农业系统更好。此外,今年降水在特定时期或不同生长阶段可能影响冬小麦籽粒产量不同,可以作为单独的特性对冬小麦籽粒产量预测。冯et al。(2018)发现指数基于降雨在特定的几个月的季节是重要的变量应该被包括在冬小麦籽粒产量预测模型。为了充分利用这些预测,前馈神经网络-深学习算法能够检测非线性响应的兴趣更多的准确性可以部署(詹姆斯et al ., 2021)。该算法有可能检测复杂的模式在提高预测精度的数据(Khodayar et al ., 2021),这可能进一步探讨在农业产量的预测更准确,更准确的推荐的一个重要选择作物营养,尤其是氮。尽管长期存在的统计社区,这种深度学习方法后才恢复了更突出的科学界2010 (詹姆斯et al ., 2021)。结果,其产量预测研究提供一个新工具在科学工具箱为提高作物生产效率。本研究旨在了解如果耕作实践,也就是说,免耕(NT)、留茬覆盖(SM)和犁板耕耘(MP),影响冬小麦籽粒产量预测精度在使用前馈神经网络和比较结果与降水模型使用多元线性回归方法建立预测。免耕和SM储存额外的水分在土壤中(里昂et al ., 1998)。这发生,特别是在14个月休耕阶段导致的改善土壤水和降水NT下存储效率(35%)相对于议员(20%)(田中和安德森,1997年;尼尔森和守夜,2010年)。虽然这水分几乎使收益率与NT明显要比议员和SM (里昂et al ., 1998),它是不确定的,如果一个模型建立在这样一个系统可以比其他耕作实践下的模型建立。研究推测,NT和SM将导致模型与籽粒产量预测精度高于模型使用数据来自议员旱地种植制度下系统。此外,前馈神经网络将建立一个模型的预测精度高于多元线性回归的方法。唐et al。(2022)使用类似的方法在旱地种植制度,发现神经网络使用各种气候变量来减少错误高达502公斤公顷产量预测¹相比,至少绝对收缩和选择算子(套索),一个保守的线性模型。这是说明这种方法的潜在好处在提高粮食产量的预测。

这项工作的目的是评估模型的预测精度的差异构建在不同耕作实践在特定时期的降水季节作为预测粮食产量的特性。

材料和方法

网站的特点,实验设计和作物管理

实验进行的高地平原农业实验室(41°15 ' 29.0 " N 103°00“41.0”W)位于悉尼,内布拉斯加州。实验网站的土壤分类与杜洛克猪壤土0 - 1%斜坡(Fine-silty、混合、superactive介子的Pachic Haplustolls) (土壤调查人员)。实验成立于1970年作为一个随机完全区组设计。

实验由三个耕作治疗——免耕(NT)、留茬覆盖(SM)和犁板耕耘(MP)。第四个和最后一个治疗在这个实验中是保持本土草皮。Sod情节从未耕种或种植任何作物自《盗梦空间》的实验。因为它被保留为本地草原草地,它被排除在这个研究和分析。SM,土壤耕作的深度使用V-Blades 90 - 150厘米(10 - 15厘米窗口和彼得森,1979)。操作完成两到四次,第一次手术达到10 - 15厘米的深度而后续操作的耕作深度逐渐减小。这种耕作实践保留作物残留物在土壤表面,因此,保护土壤和水(窗口,1961)。额外的一到两个操作使用扶轮rodweeder进行。国会议员,耕作在春天进行休耕期15厘米的深度。字段中耕机被用来执行两到三个操作。最后,一个扶轮rodweeder是用来执行一两个操作(窗口和彼得森,1979)。免耕土地管理使用除草剂和种植是通过使用一个NT钻有单一磁盘约翰迪尔开启设备。摘要(N -甘氨酸(phosphonomethyl)))和2,4 D LV 6 (2 4-Dichlorophenoxy醋酸2-ethylhexyl酯)被用来管理杂草在休耕阶段。除草剂的应用每年2 - 3次每个制造商推荐的。在小麦阶段,除了(铵盐imazamox: 2 - [4, 5-dihydro-4-methyl-4 -(1 -甲基乙基)5-oxo-1H-imidazol-2-yl] 5 - (methoxymethyl) 3-pyridinecarboxylic酸)和2,4 d LV6表示应用在春天每年一次。

三种治疗方法有三个复制。每个实验单元测量8.5米×45.5米和随机收到每个块内的三种治疗方法之一。

实验作为冬季wheat-fallow成立。每年冬天wheat-fallow在场的每个阶段,这意味着当一个阶段是根据冬小麦,另一阶段是进行休耕制,反之亦然。实验建立了旱地种植制度下,这意味着没有申请补充灌溉作物吸收每年的实验。实验单位没有收到任何形式的营养为整个长度的实验。

文章中包含更多的细节关于这个实验窗口和彼得森(1979)和皮特森et al。(2012)。

冬小麦种植和收获9月7月的种植季节。粮食水分含量调整到125公斤¹。在这项研究中,籽粒产量从1972年到2010年期间获得。这是因为在2010年看到实验修改实验单位分割为两个相等的部分和分配间歇耕作或NT治疗。这意味着SM即使基线数据,停止治疗将继续帮助理解从SM转向NT或间歇性耕作(IT)可能影响土壤和作物响应变量。因为它,犁时间表修改每六年发生一次。因此,数据从2011年到目前为止并没有包括在这个分析中。降水数据也获得相同的持续时间从气象站(1972 - 2010)附近。降水总量在本赛季被分为三个时期,即9月- 12月,1月,4月,5月- 7月。这是这些阶段的沉淀在每个过程中用作预测模型校准和验证。

模型校准、评估和数据可视化

模型校准和评价进行了使用R (R核心团队,2022年)。R是实现RStudio (RStudio团队,2022)。前馈神经网络,深度学习技术,用来适应模型。一个单层神经网络应用于模型校准和验证(图1;方程1)。数据分为训练集和测试集。测试数据构成了三分之一的数据。一个训练集用于校准模型在测试集是用于验证神经网络模型。的架构和功能神经网络模型是基于开发过程强调了詹姆斯et al。(2021)。输入层由三个特性,即降水从9月到12月,从1月到4月,降水和降水从5月至7月。被设定为隐藏层K隐藏的单位等于50和非线性激活函数指定为解决线性单元(ReLU)。随机梯度下降法与批处理大小为50 300时代,和10%的辍学生正规化是用于拟合模型。函数的callback_early_stopping()”是用来停止训练模式如果均方误差不提高了20世纪。正则化应用使用L2范数调整乘数为0.001,使弱信号重量几乎为零。Tidyverse (韦翰et al ., 2019),keras (阿莱尔Chollet, 2022),ggpmisc (Aphalo 2021)和readxl (韦翰和布莱恩,2019)包被利用在模型拟合和数据可视化。普通多元线性回归(最小二乘)模型也适合降水在不同时期作为粮食产量的预测模型(公式2)。使用神经网络和普通最小二乘法拟合过程也实现在耕作实践,也就是说,来自不同耕作实践数据集被合并(合并耕作)和每个模型类型适合数据来评估模型的性能在耕作实践。

交叉验证是用来评估模型的性能在不同耕作实践。均方根误差(RMSE),相对RMSE(推定),和决定系数(R²从验证模型使用测试数据的报告。模型的性能被认为是优秀的,好,公平和穷人如果推定< 10%、10% <推定< 20%、20% <推定< 30%,推定> 30% (Despotovic et al ., 2016)。多元线性回归模型的验证是使用完成的k-fold交叉验证方法与k = 10。启动包(快活的,里普利,2021)被用来计算测试均方误差通过应用cv.glm()函数。模型评价矩阵(R²和RMSE)提取使用函数的postResample()的脱字符号包(内库恩,2022)。相对RMSE获得通过使用函数gofRRMSE从ehaGoF包()(Eyduran 2020)。这些是比较在不同耕作实践沉淀更有效地使用,以确定哪些模型来解释变化冬小麦籽粒产量。额外的模型之间的比较是建立利用多元线性回归和非线性前馈神经网络。更全面详细的程序和R脚本应用于这项工作包含在写的一本书詹姆斯et al。(2021)。在他们的程序中实现R使用keras的包,把数据分成两组,一组验证使用的神经网络方法。但由于k-fold交叉验证导致更好的偏见方差权衡(詹姆斯et al ., 2021为多元线性回归),我们用它来提高产量预测模型的性能。

在哪里f(X)是一个函数用于预测,β₀和β_k从训练数据估计系数。一个_k代表了最初的转换或原创的三个指标构成的输入层。50 K = 1,2,…,。

在哪里β₀,β₁,β₂,β₃从训练集估计系数,X₁X₃是三个因素,降水从9月到12月,从1月到4月,降水和降水从5月到7月,分别。ϵ是随机误差。

我们也使用收集的数据从这个网站2022年4月来计算饱和导水率提供额外的信息为什么可能存在差异模型建立在不同耕作实践。留茬覆盖耕作是不包括在这分析实验单位以来,取而代之的是NT和它。然而,只有实验的数据单位,保留最初的治疗在2010/2011赛季修改之前是用于计算。估计边际意味着计算使用emmeans包(披散下来,2022)线性混合模型拟合后使用lme4包(贝茨et al ., 2015)复制视为一个随机效应而耕作处理作为固定效应。获得的平均差是使用glht multcomp包(内()函数Hothorn et al ., 2008)输送到summary()函数。

数据常态和异方差性或不恒定误差项的方差进行了测试使用函数shapiro.test () (Shapiro-Wilk正常测试)和ncvTest()(不恒定方差测试)分别在车包。总之,常数误差项的方差的假设为每个耕作实践观察和合并后的数据(表1)。观察数据的假设正常的只有NT。

结果

这项研究调查了耕作实践如何影响冬小麦产量预测降水在三个不同时期的生长季节使用前馈神经网络和多元线性回归方法。

前馈神经网络,NT下冬小麦产量预测精度最高。该模型开发和验证在此耕作实践0.53毫克的RMSE公顷¹(表2)。这个模型占81%的变异在冬小麦籽粒产量(表2;图2一个)。与0.48毫克哈¹更多的RMSE,多元线性回归(普通最小二乘法)方法比神经网络更准确表2)。收益率方差的比例占了8%(线性回归模型图3一)。此外,21.6%推定与神经网络报道为18.7%低于推定达到线性回归模型(表2)。

留茬覆盖耕作第二最高产量预测精度0.55毫克的RMSE公顷¹和推定的22.3% (表2)。在这种耕作实践,降水占73%冬小麦籽粒产量的变化(图2 b)。这种耕作实践,收益率预测不准确了约20公斤公顷¹NT相比,神经网络模型。这可能表明收益率预测两种耕作方式下使用降水可能不会在他们的精度大大不同。在同样的耕作实践(SM)、线性回归模型应用于相同的数据证明了低收益率比前馈神经网络模型的预测精度。该模型不准确预测0.3毫克公顷冬小麦籽粒产量¹比神经网络(表2)和解释说只有8%的粮食产量的变化(图3 b)。此外,该模型有一个推定为33.3%,说明其预测能力冬小麦籽粒产量很差。

产量预测精度是最低下议员与前馈神经网络模型利用降水预测了观察到的收益率的收益率0.77毫克公顷¹(表2)。这是一个与推定为27.3% (表2)。大约53%的冬小麦籽粒产量的变化是解释在此耕作系统(图2 c)。相对于模型在SM,这代表了产量预测精度下降,因为该模型下议员0.22毫克公顷¹RMSE比在SM。因此,神经网络模型在预测产量下议员表现不佳。同样,神经网络模型在NT下了议员下比同行更准确。在MP,收益率预测的神经网络模型有更多的变化,因为额外的0.24毫克公顷¹它的RMSE包含与NT神经网络模型。然而,这种模式有更多的准确性在收益率预测相比,使用多元线性回归模型校准和验证。尽管神经网络模型预测了观察到的收益率的收益率0.77毫克公顷¹,线性回归模型是一个额外的0.30毫克公顷¹。与该模型相关联的推定是43.6%,收益预测在这个系统下可怜的(表2)。

当评估使用数据从所有的耕作实践,前馈神经网络解释55%的变异在冬小麦籽粒产量(图2 d)。模型0.72毫克的RMSE公顷¹一个值,不同于50公斤公顷的议员¹(表2)。该模型在预测粮食产量表现不佳在观察到的籽粒产量的年零(图2 d)。这个模型也有推定为28.2%,这个数字接近的模型在预测冬小麦产量差(表2)。这可能是因为零收益率并不是选择校准模型的算法,使其在预测这种观察收益率表现不佳的测试数据集。这也表明,这种观测数据反馈到模型校准可能会影响模型的预测能力。结合数据在不同耕作实践和使用降水季节不同时期的预测并没有导致大幅度的提高产量预测精度在MP。这是因为议员RMSE之间的差异,结合耕作模型约50公斤公顷¹(图2 d)。这是重申使用推定议员和联合耕作有推定值分别为27.3和28.2% (表2)。然而,联合耕作模式的RMSE超过SM和NT至少170公斤公顷¹(图2 d)。拟合数据的多元线性回归模型在耕作实践,0.99毫克的RMSE公顷¹这是高于0.27毫克公顷的前馈神经网络¹的潜在的优势,进一步说明在线性神经网络模型(图3)。这个线性回归模型归类为可怜的冬小麦籽粒产量的预测,因为它有一个推定为39.4%,一个值高于11.2%(类似的模型使用神经网络模型表2)。

讨论

利用前馈神经网络,提高产量预测精度在SM和NT相对于议员由于低RMSE和高R²值。然而,正常化RMSE推定表明所有模型为不同耕作实践导致公平收益率预测精度与NT 21.6 - 27.3%有最低的推定和议员系统表现出最高的推定。相比之下,多元线性回归模型(普通最小二乘法),有一个推定与议员与NT从33.3%到43.6%不等。这意味着,使用普通最小二乘预测产量使用季节性降水导致可怜的产量预测在耕作实践。这是进一步重申推定39.4%普通最小二乘模型28.2%推定与神经网络模型适合整个数据集(耕作相结合)。这是即使降水是影响作物生产的主要限制因素下旱地种植制度(惠特曼和梅耶,1990年),籽粒产量——至少在理论上——会将相关的高度和线性季节性降水。

神经网络模型的最终原因超过普通最小二乘我们还不完全了解。然而,神经网络模型能够检测模式在数据的方式已经超出了普通最小二乘法(的力量Abiodun et al ., 2018)。詹姆斯et al。(2021)强调了有力检测非线性的神经网络模型与农业系统相关的数据(瓦拉赫et al ., 2006)准确预测因变量的兴趣。这可能是因为输入的线性组合的非线性变换使得神经网络检测非线性(詹姆斯et al ., 2021)的籽粒产量反应沉淀。

虽然我们的研究没有调查土壤肥力和卫生指标,神经网络模型的能力占更多的变化在冬小麦籽粒产量在NT下可以保护土壤水分的归功于其独特的特性,提高土壤肥力和土壤质量。促成这个想法,我们分析了土壤饱和导水率(K_坐在2010/2011)收集的数据来自同一实验修改,发现NT最高K_坐(3.3厘米人力资源¹),而议员系统降低了56%K_坐(表3)。这意味着增加降水水渗透NT系统的数量比与MP,可能导致更多的水储存在土壤孔隙空间。

这能够解释大部分的可变性冬小麦籽粒产量也观察到在SM系统。rodweeder使用单向盘舵柄,叶片,扫描,或凿犁,该系统减少杂草的根从地下造成最小扰动土壤表面,在这个过程中,保留了一些站残留在土壤表面,从而能够维持一些好处与NT (窗口,1961)。

与之相反,耕作使土壤表面风蚀的影响——一个常见的问题在研究区域(里昂et al ., 1998)——这可能导致土壤结构解体使孔隙空间充满粒子与土壤分离聚合。这可能降低水的渗透进入土壤(表3),导致失去了一些雨水通过蒸发(富恩特斯et al ., 2003;关et al ., 2015;雷et al ., 2015)。这可能会降低模型的能力与该系统相关的占粮食产量的变化。神经网络模型在NT系统可能有更好的机会占比议员更收益率变化因为土壤结构的改善,土壤有机质,聚合稳定性、土壤孔隙度、容重和孔隙度(里昂et al ., 1998;刘et al ., 2015)(剃须刀et al ., 2002)。这额外的土壤水分可能解释为什么作物报告发生并产生更多的NT和SM系统下光合作用的产物半干旱环境(彭et al ., 2019)。我们的研究增加了身体的知识沉淀在收益预测(中起着举足轻重的作用冯et al ., 2018)和高可变性在气候特性可能会增加产量变化随着时间的推移,(雷et al ., 2015)。其他学者表明,土壤水分解释粮食产量变化的很大一部分(书评et al ., 2008;低音部et al ., 2009)。这是一个迹象表明,实践,增加水的保留在根区可能占更多的粮食产量的变化。

公平的推定评级(Despotovic et al ., 2016),前馈神经网络模型可以进一步提高可能在模型中通过合并其他重要预测因子。装袋等人工智能方法,随机森林,提高,和/或贝叶斯添加剂回归树,以及支持向量机也可以用来评估的优点或缺点前馈神经网络预测冬小麦籽粒产量。作为本研究旱地种植制度下,不同的结论可能达到的地区获得足够的降雨或补充灌溉。

结论

研究表明,前馈神经网络模型更准确预测NT下冬小麦籽粒产量和SM系统。这是说明了这些系统下的方差占较大的比例,也就是说,73年为81%,相比分别SM和NT议员制度下的53%。这可能是由于提高土壤蓄水造成很大一部分的水沉淀保存下这些系统相比更密集耕作系统。然而,模型构建和校准使用这个过程有一个公平的推定以来产量预测精度下降在20% <推定< 30%。这是形成鲜明对比的多元线性回归(普通最小二乘法)模型与推定的超过30%的耕作实践,表明收益率预测精度很差。相关的观察是当一个单一的神经网络模型是适合在耕作实践,有28.2%的推定和线性回归的推定为39.4%。前馈神经网络模型的能力将输入的线性组合的非线性组合输入可能会增加其使用季节性降水预测冬小麦籽粒产量的方式超过线性回归模型的力量,因此,增加其检测能力产生更有效的模式。分类的神经网络模型作为公平暗示的能力模型来准确预测冬小麦籽粒产量可以提高通过整合其他有用的产量预测和应用适当的模式选择算法,以改善其评级从公平良好或优秀。这项研究表明,当使用季节性降水在旱地种植制度、耕作制度是非常重要的申请会计更多的变化在冬季小麦籽粒产量和神经网络的部署模型给出了一个改进的产量预测精度比模型适合使用普通最小二乘拟合过程。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

LA概念化的理念,分析了数据,并开发了一个草案手稿。CC和AE管理、监督和存储的数据实验,全面回顾了手稿。CC连续获得了资金管理的长期实验和出版这篇文章。所有作者的文章和批准提交的版本。

资金

这项研究部分由内布拉斯加州的小麦局。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用