《Sugar Tech》：Artificial Neural Network-Based Prediction of Nipa Sugar Production in Sarawak, Malaysia
编辑推荐：
本研究针对尼帕糖（gula apong）生产因环境波动而难以精准预测的问题，开发了一种前馈人工神经网络（FFANN）模型，整合温度、湿度、风速、气压及汁液产量等关键环境变量。结果表明，该模型预测性能优异（R2=0.73， RMSE=0.097），远超传统时间序列模型，为生产者规划采收与资源分配提供了可靠的决策支持工具，显著提升了该产业的可持续性。
在马来西亚沙捞越州郁郁葱葱的沿海红树林中，生长着一种名为尼帕棕榈（Nypa fruticansWurmb）的植物。对于当地的社区而言，它不仅仅是一种植物，更是世代相传的生计所系。从其花序中采集的汁液，经过传统工艺加工，可制成一种名为“gula apong”的糖，这是当地家庭重要的经济来源。然而，这份“甜蜜的事业”却始终被一个难题所困扰：尼帕糖的产量极不稳定，如同天气一样难以捉摸。温度、湿度、风速等环境条件的细微波动，都会对最终的糖产量产生复杂而非线性（即不成简单比例关系）的影响。长期以来，生产者们主要依靠代代相传的经验和对历史趋势的定性观察来进行预测，这种方法在变幻莫测的自然面前显得力不从心，常常导致采收计划混乱和资源分配低效。这种预测能力的欠缺，成为了制约尼帕糖产业规模化、可持续发展的一大瓶颈。
为了破解这一难题，一项发表在《Sugar Tech》期刊上的研究，将目光投向了人工智能领域。研究人员思考，能否利用能够处理复杂非线性关系的人工神经网络（Artificial Neural Network, ANN），来为尼帕糖产量预测建立一个更精准、更可靠的模型？于是，他们开展了一项旨在开发基于前馈人工神经网络（Feedforward Artificial Neural Network, FFANN）的尼帕糖产量预测模型的研究。
为开展研究用到的主要关键技术方法
研究团队在沙捞越Kampung Tambirat的一个农场进行了为期12个月（2023年7月至2024年7月）的每日数据采集，包括尼帕汁液产量和最终糖产量。同时，从附近古晋国际机场的气象站获取了对应的每日温度、湿度、风速和大气压力数据。利用R语言中的neuralnet等软件包，构建了一个具有5个输入变量（对应上述4个气象因素和汁液产量）、4个隐藏层（神经元数分别为10、7、5、3）和1个输出层（预测糖产量）的FFANN模型。模型采用弹性反向传播增强（RPROP+）算法进行训练，以最小化预测误差。为评估模型性能，研究将其与经典时间序列模型（ARIMA和季节性朴素模型）以及决策树回归模型进行了对比，并使用决定系数（R2）和归一化均方根误差（RMSE）等指标进行量化比较。此外，还通过基于连接权重的敏感性分析，评估了各输入变量对糖产量的相对影响。
研究结果
- •
模型表现出优异的预测性能
开发的FFANN模型在预测尼帕糖产量方面表现突出。其决定系数（R2）达到0.73，归一化均方根误差（RMSE）为0.097。这表明模型能够解释糖产量大部分的变化，且预测误差较小。散点图显示，模型预测值与实际观测值在中段产量范围（0.4-0.6单位）内吻合度非常高。
- •
FFANN模型显著优于传统预测模型
与作为基准的其他模型相比，FFANN模型的优势非常明显。经典的ARIMA和季节性朴素（seasonal na?ve）时间序列模型表现很差，R2甚至为负值，意味着其预测效果还不如简单使用平均值。决策树回归模型虽然表现尚可（R2=0.68），但其预测能力仍不及FFANN。这一对比结果清晰地表明，仅依赖历史产量数据的时间序列方法无法捕捉环境变量与产量之间复杂的非线性相互作用，而FFANN模型在此类问题上具有显著优越性。
- •
关键环境驱动因子得以明确
通过对训练好的FFANN模型进行敏感性分析，研究人员量化了各输入变量对糖产量的相对影响。分析结果显示，温度是对尼帕糖产量影响最大的因素，其次是风速和湿度。相比之下，大气压力和汁液产量本身的影响相对较小。这一发现具有重要启示：它表明最终糖产量主要受调控植物生理过程的环境条件支配，而不仅仅是采集到的原始汁液量。
研究结论与意义
本研究成功开发并验证了一个用于预测马来西亚沙捞越尼帕糖产量的前馈人工神经网络（FFANN）模型。该模型利用每日环境变量和汁液产量数据，实现了对糖产量的准确预测（R2=0.73, RMSE=0.097），其性能远超传统的ARIMA、季节性朴素模型以及决策树模型。敏感性分析进一步揭示了温度、风速和湿度是影响产量的最关键环境驱动因子。
这项研究的成功，标志着对尼帕糖生产的认知从依赖定性经验向数据驱动定量预测的重要转变。它所构建的FFANN模型，不仅仅是一个学术工具，更是一个能够直接服务于生产实践的决策支持系统。对于沙捞越的尼帕糖生产者而言，该模型能够提供更可靠的产量预报，从而优化采收时间、调整加工资源、规划市场供应，最终提升生产效率和经济效益，增强整个产业应对环境波动的韧性，促进其可持续发展。未来，通过集成物联网（IoT）传感器实现实时数据采集，并纳入多年份数据集进行训练，有望进一步提升模型在极端气候事件下的预测稳健性和实时预报能力。这项工作也为其他受复杂环境因素影响的农产品产量预测问题，提供了一个可借鉴的人工智能解决方案范例。
