GreenHub:迈向一个基于机器学习的作物产量建模与应用的开放平台
《Environmental Modelling & Software》:GreenHub: Toward an open platform for machine learning-based crop yield modeling and deployment
【字体:
大
中
小
】
时间:2026年07月15日
来源:Environmental Modelling & Software 5.2
编辑推荐:
弗洛里安·施密特|克里斯托夫·斯塔内克|利努斯·桑德|约纳斯·恩格瑟|马克西米利安·扎乔|森特霍尔德·阿森格|马尔特·冯·布洛赫
德国巴伐利亚州弗赖辛市利塞尔-贝克曼街2号,慕尼黑工业大学数字农业系,邮编85354
摘要
农业研究人员在发布和共享基于数据的作物产量模
弗洛里安·施密特|克里斯托夫·斯塔内克|利努斯·桑德|约纳斯·恩格瑟|马克西米利安·扎乔|森特霍尔德·阿森格|马尔特·冯·布洛赫
德国巴伐利亚州弗赖辛市利塞尔-贝克曼街2号,慕尼黑工业大学数字农业系,邮编85354
摘要
农业研究人员在发布和共享基于数据的作物产量模型时面临诸多挑战,这限制了研究的透明度与协作效率。此外,从不同来源收集和预处理数据往往效率低下。我们推出了GreenHub,这是一个旨在简化作物产量预测的数据访问和模型部署平台的初步尝试。GreenHub提供:(i)可公开获取的标准化、高质量数据集;(ii)统一的界面及基于Python的库,便于灵活检索数据;(iii)机器学习模型的托管服务。数据来源包括天气预报、土壤参数以及植被指数。研究人员只需少量工作即可上传模型,该平台会自动运行模型并生成可视化结果以供公众查看。这不仅便于模型比较,还能促进合作,同时节省研究人员的时间。通过降低技术门槛,GreenHub构建了一个高效的生态系统,为作物产量预测模型的开发、部署和共享奠定了基础。
引言
为了获得更准确的预测结果,农业研究人员不断引入新的改进技术及模型(如Gaso等人,2025年;Lee等人,2024年;Ronchetti等人,2023年;冯·布洛赫等人,2023年;扎乔等人,2024年)。这类预测有助于各农业领域做出基于数据的决策,实现更精准的规划与资源分配。尽管已有多种产量预测方法,但基于机器学习的技术近年来日益受到关注(Araújo等人,2023年)。尽管农业领域的数据科学和产量预测技术已取得显著进展,研究人员在有效开发、发布和共享模型方面仍面临诸多障碍。
在开发基于数据的产量预测模型时,一个关键挑战在于获取高质量、标准化的数据集。这类数据集可直接使用,无需花费大量时间进行数据收集和清洗(Chamorro-Padial等人,2024年)。目前已有若干公开的大型数据集可供用于产量建模,如CropNet和CY-Bench,它们降低了使用门槛,并提供了不同地区、不同作物种类及不同年份的参考数据(Lin等人,2024年;Paudel等人,2025年)。由于这些数据来自公共统计机构,因此其数据通常以市镇或县级为单位呈现。影响作物生长的重要因素包括天气、土壤信息以及各类供应商提供的遥感植被指数。不过,这些数据集在质量、时间分辨率和空间分辨率方面可能存在差异,且需通过不同的格式和技术接口获取,因此研究人员需要为每个数据提供方设计定制化的数据获取和清洗流程。
另一个挑战在于以一种便于共享、促进模型比较的方式发布模型。这就要求农业研究人员自行搭建并维护所有技术组件,以实现模型的持续运行,包括自动化的数据获取、模型执行以及数据存储。此外,还需要有效的直观可视化工具,以便让人们轻松理解并比较模型结果。由于技术要求过高,我们认为大多数农业数据科学家难以做到这一点,因此他们通常只会在论文中公布模型源代码及方法描述,而不会发布可直接运行的模型。
现有文献中提出了多种作物产量预测方法,从基于过程的模型到纯粹的数据驱动方法均有涉及。传统的作物模型如DSSAT和APSIM根据环境条件模拟植物生长,被广泛用于农业建模领域(Jones等人,2003年;Keating等人,2003年)。随着数据量的增加,基于机器学习的技术越来越受到重视。随机森林、神经网络和长短期记忆网络等多种模型已被用于根据卫星图像、天气和气候指标预测不同地区和作物的产量,例如澳大利亚的小麦(Cai等人,2019年)、美国的农作物(Jabed和Murad,2024年)、印度的农作物(Sharma等人,2023年)以及阿根廷的农作物(扎乔等人,2024年),巴西的大豆产量预测也采用了类似技术(冯·布洛赫等人,2023年;Schwalbert等人,2020年),此外还有人探索利用迁移学习来解决数据不足的问题(Wang等人,2018年)。还有一些研究将作物模型与机器学习相结合,从而充分利用经验数据与行业专业知识(Shahhosseini等人,2021年)。
虽然这些模型性能优异,但大多仅以论文形式分享,缺乏标准化的部署方式或协作接口,这限制了它们的可重复性和可访问性。为解决这些问题,我们提出了GreenHub平台,旨在简化基于数据的作物产量模型的开发和部署流程。GreenHub的总体目标有三个:
1. 提供便捷、无缝的途径,让研究人员能够获取高质量、标准化的数据集;
2. 简化模型的开发与部署流程,同时尽量减少对研究人员的限制;
3. 为模型预测结果提供直观的可视化展示。
该平台的初始版本是从研究人员的角度设计的,提供了用于简单数据检索的软件开发工具包(SDK)、灵活的自动化模型部署流程,以及针对历史数据和当前模型预测结果的直观图表展示。为实现上述目标,GreenHub对研究人员的模型设计和实现方式仅施加了最小限度的限制。研究人员只需使用Python语言,即可利用平台自动化的模型托管和执行功能。相应的SDK可让研究人员快速、程序化地获取经过处理和标准化的数据,从而让他们能全身心投入模型开发工作。研究人员只需少量工作即可将模型上传到GreenHub,平台会持续获取数据、运行模型,并通过互联网提供直观的可视化结果。这些可视化结果有助于追踪模型预测结果,并与其他模型的结果进行比较,从而促进作物产量预测领域的学术交流。
本文的结构如下:第2节将对平台架构进行概述,说明相关的设计思路和选择依据,第3节则深入探讨各个组成部分。在第4节中,我们将从技术层面详细介绍完整的模型部署流程,第5节则从研究人员的角度介绍如何使用GreenHub。最后,第6节总结我们的成果,第7节则阐述平台的局限性及未来发展方向。第2、3、4节主要介绍GreenHub背后的技术细节,而第5节则面向感兴趣的研究人员,介绍该平台的实际应用方式。
系统设计
下一节将介绍GreenHub的系统设计,重点阐述受以下核心需求影响的整体架构决策:
• 提供可直接用于作物建模的高质量数据,无需额外进行数据采集;
• 允许研究人员以最简化的流程上传产量模型;
• 支持研究人员直接管理自己的产量模型(注册、更新和删除);
• 定期获取并展示模型生成的预测结果。
组件架构
在本章中,我们将详细分析GreenHub平台架构的各个组成部分。从技术角度对这些组件进行剖析,重点探讨其实现方式及设计思路。GreenHub平台由一系列相互关联的组件构成,共同实现第2节中规定的功能。表1对这些组件进行了全面概述,后续章节将进一步深入探讨。
模型开发
下一节将描述上传的产量模型在GreenHub各组件中的处理流程,重点说明第3节中提到的各组件之间的交互关系。这一流程在图4中有直观展示。当研究人员在GreenHub前端创建新模型时,系统会创建一个数据库文档,用于存储与该模型处理相关的所有信息。之后,研究人员可以下载GreenHub的代码模板,并根据需要进行修改。
应用
GreenHub通过为研究人员提供分步式的集成流程,简化了作物产量模型的部署过程,且对上传的模型限制较少。下一节将从用户角度介绍将作物产量预测模型上传到平台的过程,以冯·布洛赫等人(2023年)提出的州级大豆产量预测模型为例。该模型可用于预测当季的收获产量,同时还会提供相关预测结果。
结论
总之,GreenHub是数据驱动型作物产量建模领域的一项实用且具有实际意义的软件成果。它通过实现模型的无缝集成与发布、允许对输入数据进行无限制的预处理,以及提供标准化、高质量的数据集,简化了农业研究的工作流程,减少了处理农业数据所需的时间和精力。GreenHub的一大优势在于其灵活性,它对作物模型的限制极少。
局限性及未来工作
尽管取得了上述成果,GreenHub仍存在一些局限性,未来也有进一步发展的空间。目前,由于受限于现有数据提供方,GreenHub仅支持有限的功能。未来,可以通过在平台上整合针对新数据源的强大处理流程,进一步扩展可用动态数据源的范围。目前上传的模型通常只能访问特定类型的数据。
CRediT作者贡献声明
弗洛里安·施密特:撰写——初稿、软件、方法论、研究、数据整理。克里斯托夫·斯塔内克:撰写——初稿、软件、方法论、研究、数据整理。利努斯·桑德:软件、方法论、研究、数据整理。约纳斯·恩格瑟:软件、方法论、研究、数据整理。马克西米利安·扎乔:模型验证、监督、概念设计。森特霍尔德·阿森格:模型验证。马尔特·冯·布洛赫:撰写——审稿与编辑、模型验证、监督。
软件与数据获取信息
• 软件名称:GreenHub.ai
• 平台地址:https://greenhub.ai
• SDK下载地址:https://pypi.org/project/greenhub
• 联系人:马尔特·冯·布洛赫,邮箱:malte.von.bloh@tum.de
• 首次发布日期:2024年12月1日
• 所需软件:Python、pip(用于使用SDK)
• 编程语言:Python
• 文档说明:关于SDK的使用和开发的详细文档可在https://docs.greenhub.ai查询
• GreenHub的所有数据集均可通过我们的Python接口获取。
关于 manuscript 准备过程中生成式AI及AI辅助技术的声明
在撰写本文时,作者使用了ChatGPT 5.0来纠正语法和拼写错误。文章的内容和研究工作完全由作者独立完成。在使用该工具/服务后,作者对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号