Artificial intelligence enhances maize production through smart populations within planetary boundaries
收藏资源简介：
# Dataset Description ## Raw Data Files ### 1. AIsp_origindata.xlsx- **Purpose**: Raw dataset for building the AIsp_TabPFN model- **Content**: Contains all original features and target variables used for AIsp model development---"""Soil: soil organic matter (SOM).Climate: average daily maximum temperature (Tmax), average daily minimum temperatures (Tmin), cumulative precipitation (Prep), cumulative solar radiation (Radn), and standardized precipitation–evapotranspiration index (SPEI).Management: Tillage and Irrigation.Thermal indices: growing degree days (GDD) and extreme degree days (EDD).Genotype: canopy architecture (Canopy). Target variable: optimal planting density (Dopt).Note: Optimal yield (Yopt): This variable was not utilized in the modeling process, but subsequent steps require mapping from Dopt to Yopt by canopy (smart vs. non-smart).---""" ### 2. AInm_origindata .xlsx- **Purpose**: Raw dataset for building the AInm_CatBoost model- **Content**: Contains all original features and target variables used for AInm model development---"""Soil: soil organic matter (SOM), soil total nitrogen (TotalN) and pH.Climate: average daily maximum temperature (Tmax), average daily minimum temperatures (Tmin), cumulative precipitation (Prep), cumulative solar radiation (Radn), and standardized precipitation–evapotranspiration index (SPEI).Management: Tillage and Irrigation.Thermal indices: growing degree days (GDD) and extreme degree days (EDD).Productivity: optimal yield (Yopt).Target variable: optimal nitrogen application (Nopt).---""" # Python Code Files ## 1. AIsp_compare.py- **Function**: Compares performance of different algorithms for AIsp model construction- **Process**: - Evaluates multiple machine learning algorithms - Identifies the optimal algorithm based on performance metrics - Outputs comparative analysis results ## 2. AIsp_TabPFN.py- **Function**: Implements the final AIsp model using the selected optimal algorithm- **Process**: - Performs 10-fold cross-validation with SHAP interpretation - Retrains the model using the entire dataset for final deployment - Generates model explanations and feature importance analysis ## 3. AInm_compare.py- **Function**: Compares performance of different algorithms for AInm model construction - **Process**: - Evaluates multiple machine learning algorithms - Identifies the optimal algorithm based on performance metrics - Outputs comparative analysis results ## 4. AInm_TabPFN.py- **Function**: Implements the final AInm model using the selected optimal algorithm- **Process**: - Performs 10-fold cross-validation with SHAP interpretation - Retrains the model using the entire dataset for final deployment - Generates model explanations and feature imp
# 数据集说明 ## 原始数据文件 ### 1. AIsp_origindata.xlsx - **用途**：用于构建AIsp_TabPFN（TabPFN）模型的原始数据集 - **内容**：包含用于AIsp模型开发的全部原始特征与目标变量 --- """ 土壤类：土壤有机质（soil organic matter, SOM） 气候类：日最高气温均值（average daily maximum temperature, Tmax）、日最低气温均值（average daily minimum temperature, Tmin）、累积降水量（cumulative precipitation, Prep）、累积太阳辐射量（cumulative solar radiation, Radn）以及标准化降水蒸散指数（standardized precipitation–evapotranspiration index, SPEI） 管理措施类：耕作与灌溉 热积温指标：生长度日（growing degree days, GDD）与极端度日（extreme degree days, EDD） 基因型类：冠层结构（Canopy） 目标变量：最优种植密度（optimal planting density, Dopt） 注：最优产量（optimal yield, Yopt）：该变量未在建模流程中使用，但后续步骤需基于冠层类型（智能型与非智能型）建立Dopt到Yopt的映射关系。 ---""" ### 2. AInm_origindata.xlsx - **用途**：用于构建AInm_CatBoost（CatBoost）模型的原始数据集 - **内容**：包含用于AInm模型开发的全部原始特征与目标变量 --- """ 土壤类：土壤有机质（SOM）、土壤全氮（soil total nitrogen, TotalN）与pH值 气候类：日最高气温均值（Tmax）、日最低气温均值（Tmin）、累积降水量（Prep）、累积太阳辐射量（Radn）以及标准化降水蒸散指数（SPEI） 管理措施类：耕作与灌溉 热积温指标：生长度日（GDD）与极端度日（EDD） 生产力类：最优产量（Yopt） 目标变量：最优氮肥施用量（optimal nitrogen application, Nopt） ---""" ## Python代码文件 ### 1. AIsp_compare.py - **功能**：对比不同算法在构建AIsp模型时的性能表现 - **流程**： - 评估多种机器学习算法 - 基于性能指标筛选最优算法 - 输出对比分析结果 ### 2. AIsp_TabPFN.py - **功能**：使用筛选出的最优算法实现最终的AIsp_TabPFN模型 - **流程**： - 结合SHAP（SHapley Additive exPlanations）解释进行10折交叉验证 - 使用全量数据集重新训练模型以用于最终部署 - 生成模型解释与特征重要性分析结果 ### 3. AInm_compare.py - **功能**：对比不同算法在构建AInm模型时的性能表现 - **流程**： - 评估多种机器学习算法 - 基于性能指标筛选最优算法 - 输出对比分析结果 ### 4. AInm_TabPFN.py - **功能**：使用筛选出的最优算法实现最终的AInm模型 - **流程**： - 结合SHAP（SHapley Additive exPlanations）解释进行10折交叉验证 - 使用全量数据集重新训练模型以用于最终部署 - 生成模型解释与特征重要性分析结果
