Modelo basado en Crossformer para predecir e interpretar las variaciones en el rendimiento de los cultivos bajo diversas condiciones climáticas y agrícolas
Autores: Zeng, Ruolei; Li, Jialu; Li, Zihan; Zhang, Qingchuan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
La predicción de rendimiento de cultivos es fundamental para la toma de decisiones agrícolas y la seguridad alimentaria. Los modelos tradicionales tienen dificultades para capturar las complejas interacciones entre factores meteorológicos, del suelo y agrícolas. Este estudio presenta Crossformer, un modelo basado en Transformer con una Unidad de Percepción Local (LPU) para dependencias locales y un Mecanismo de Atención de Ventana Cruzada para dependencias globales. Los experimentos en conjuntos de datos de trigo de invierno, arroz y maíz muestran que Crossformer supera a CNN, LSTM y Transformer en Pérdida de Prueba, R, MSE y MAE. Por ejemplo, en el conjunto de datos de maíz, Crossformer logra una Pérdida de Prueba de 0.0271 y un R de 0.9863, en comparación con 0.7999 y 0.1634 para LSTM, respectivamente, demostrando una mejora sustancial en el rendimiento predictivo. El análisis de interpretabilidad destaca la importancia de la temperatura y la precipitación en la predicción de rendimiento, alineándose con perspicacias agrícolas. Los resultados muestran el potencial de Crossformer para la agricultura de precisión.
Descripción
La predicción de rendimiento de cultivos es fundamental para la toma de decisiones agrícolas y la seguridad alimentaria. Los modelos tradicionales tienen dificultades para capturar las complejas interacciones entre factores meteorológicos, del suelo y agrícolas. Este estudio presenta Crossformer, un modelo basado en Transformer con una Unidad de Percepción Local (LPU) para dependencias locales y un Mecanismo de Atención de Ventana Cruzada para dependencias globales. Los experimentos en conjuntos de datos de trigo de invierno, arroz y maíz muestran que Crossformer supera a CNN, LSTM y Transformer en Pérdida de Prueba, R, MSE y MAE. Por ejemplo, en el conjunto de datos de maíz, Crossformer logra una Pérdida de Prueba de 0.0271 y un R de 0.9863, en comparación con 0.7999 y 0.1634 para LSTM, respectivamente, demostrando una mejora sustancial en el rendimiento predictivo. El análisis de interpretabilidad destaca la importancia de la temperatura y la precipitación en la predicción de rendimiento, alineándose con perspicacias agrícolas. Los resultados muestran el potencial de Crossformer para la agricultura de precisión.