15、基于深度学习的作物产量预测与云生命科学制造系统新架构

基于深度学习的作物产量预测与云生命科学制造系统新架构

1. 作物产量预测的深度学习应用

随着全球人口的不断增长，为满足未来的粮食需求，提高粮食产量变得至关重要。利用基因型和环境信息来预测作物或动物物种的表型，是增加粮食产量的有效途径之一。而深度学习中的深度神经网络，因其在处理复杂非线性数据方面的强大能力，成为了构建预测模型的理想选择。

1.1 数据预处理

在进行作物产量预测之前，数据预处理是关键步骤。以Syngenta数据集为例，其中包含近19,500个独特的遗传标记，但存在大量缺失值。具体操作步骤如下：
- 设定阈值筛选 ：为每个遗传标记设定允许的最大缺失值阈值，这里采用23%的阈值，将缺失值超过该阈值的遗传标记剔除。
- 次要等位基因频率筛选 ：使用0.01的次要等位基因频率（MAF）对所有遗传标记进行进一步筛选。
- 缺失值插补 ：由于遗传数据集为仅含 -1、0、1 三个值的分类数据，尝试了中位数和最频繁值两种插补方法，经验证中位数方法在验证集上效果更好，因此采用中位数方法进行插补。经过上述预处理，剩余4005个遗传标记。对于环境数据集，仅进行了归一化处理。

1.2 神经网络架构与训练

为了进行产量和对照产量的预测，分别训练了两个深度神经网络，同时还训练了一个用于2017年天气预测的神经网络。以下是产量预测神经网络的详细信息：
- 网络结构 ：采用21层的深度神经网络，每层有40个神经元。
- 训练步骤