基于代理的农业产量预测事后修正

商业软果生产中准确的作物产量预测受到典型商业农场记录中可用数据的限制，这些记录缺乏大多数最先进方法所假设的传感器网络、卫星图像和高分辨率气象输入。我们提出了一个结构化的 LLM 代理框架，该框架对现有模型预测进行事后校正，跨阶段检测、偏差学习和范围验证工具对农业领域知识进行编码。根据专有的草莓产量数据集和美国农业部公开的玉米收获数据集进行评估，XGBoost 的代理优化将草莓的 MAE 降低了 20%，MASE 降低了 56%，并且在 Moirai2（MAE 24%、MASE 22%）和随机森林（MAE 28%、MASE 66%）基线上得到了一致的改进。使用 Llama 3.1 8B 作为代理，在所有配置中产生了最强的校正； LLaVA 13B 显示出不一致的增益，突出了对细化模型选择的敏感性。