稻米總產量對國內經濟、政治與物價穩定都有相當重要影響。而稻米產量的預測，對於糧食產銷政策制定是相當重要的一環。近年來深度機器學習法已被普遍應用於圖片識別，語意辨識，與財經預測等各個不同的領域。深度神經網路可被視為一種強化學習，分類和回歸演算法的機器學習應用程式。
    本研究收集2008年至2017年的稻作產量資料及氣候時間序列資料。採用長短期記憶(long shot term memory; LSTM) 機器學習法來建構國內稻米產量的預測模型。並以漸進式預測方法，讓稻米產量預測能夠更實際可行。
    本研究發現利用3個月的氣象時間序列資料已可協助作較精確的產量預測。而長短期記憶機器學習法與傳統類神經網路機器學習法比較起來在稻米產量預測上能有更正確的預測結果。

The total rice output has a considerable impact on domestic economic, political and goods price stability.  The prediction of rice yield rate is a very significant for the formulation of grain production and marketing policies.  In recent years, deep machine learning has been widely used in various fields such as picture recognition, semantic recognition, and financial forecasting.  Deep neural networks can be viewed as a machine learning application that enhances learning, classification, and regression algorithms.  
          This study collected rice yield data and climate data from 2008 to 2017.  A long short-term memory (LSTM) machine learning method was used to construct a prediction model for domestic rice yield.  With a gradual prediction method, the rice yield prediction can be more practical.  
          This study found that using 3 months of meteorological time series data is enough to make an accurate rice yield rate prediction.  The long short-term memory machine learning method can have more accurate prediction results in rice yield prediction than the traditional neural network machine learning method.

目錄
目錄	I
表目錄	II
圖目錄	III
第一章　緒論	1
1.1研究背景與目的	1
1.2論文架構	3
第二章　文獻探討與相關研究	4
2.1稻米生長週期	4
2.2農作物產量預測	6
第三章　研究方法	8
3.1LSTM 機器學習	8
3.2資料前置處理	10
3.2.1稻米產量資料選取	10
3.2.2氣候資料選取	12
3.3	稻作產量機器學習模型	15
3.4	漸近式產量預測模型	18
第四章　模型可行性驗證	19
4.1	區間模型參數	19
4.2	產量預測模型	24
4.3	漸近式預測模型結果	28
第五章　結論與建議	30
5.1	結論	30
5.2	限制	31
參考文獻	32

表目錄
表 2 1、相關文獻	7
表 3 1、2008年~2012年每年平均產量	11
表 3 2、2017年宜蘭縣氣候資料參考	13
表 4 1、區間預測模型訓練結果(月)	21
表 4 2、區間預測模型訓練結果(星期)	22
表 4 3、產量預測模型MSE驗證(月)	26
表 4 4、產量預測模型MSE驗證(星期)	26
表 4 5、種植後1個月	28
表 4 6、種植後2個月	28
表 4 7、種植後3個月	28
表 4 8、種植後4個月	29
表 4 9、種植後4個星期	29
表 4 10、種植後8個星期	29
表 4 11、種植後12個星期	29
表 4 12、種植後16個星期	29

圖目錄
圖 3 1、本研究實驗步驟	9
圖 3 2、本研究稻作原始資料	10
圖 3 3、區間分類	10
圖 3 4、氣象資料節圖	12
圖 3 5、2017年平均溫度	13
圖 3 6、2017年降雨量	14
圖 3 7、2017年日照時數	15
圖 3 8、本研究預測區間模型架構	17
圖 3 9、本研究預測產量模型架構	17
圖 3 10、漸進式研究步驟	18
圖 4 1、區間預測模型參數(月)	20
圖 4 2、區間預測模型訓練參數(月)	20
圖 4 3、區間預測模型參數(星期)	20
圖 4 4、區間預測模型訓練參數(星期)	20
圖 4 5、區間模型訓練LOSS圖(月)	21
圖 4 6、區間模型訓練ACC圖(月)	21
圖 4 7、區間模型訓練LOSS圖(星期)	22
圖 4 8、區間模型訓練LOSS圖(星期)	22
圖 4 9、產量預測模型參數(月)	24
圖 4 10、產量預測模型參數(月)	24
圖 4 11、產量預測模型參數(星期)	25
圖 4 12、產量預測模型參數(星期)	25
圖 4 13、預測模型訓練(月)	26
圖 4 14、預測模型訓練(星期)	27

參考文獻
1.	http://www.cwb.gov.tw/V7/climate/monthlyData/mD.htm
中央氣象局公開的氣候統計資料
2.	http://agrstat.coa.gov.tw/sdweb/public/official/OfficialInformation.aspx
行政院農委會農業統計資料
3.	http://seed.agron.ntu.edu.tw/
觀點種子網
4.	https://e-service.cwb.gov.tw/HistoryDataQuery/index.jsp
觀測資料查詢系統
5.	http://rdc28.cwb.gov.tw/TDB/ntdb/pageControl/ty_warning
颱風資料庫
6.	http://info.organic.org.tw/supergood/front/bin/ptdetail.phtml?Part=3-6&...
有機農業全球資訊網
7.	鄭允中. (2017). 基於長短期記憶遞迴類神經網路之新台幣兌美元匯率預測模型. 臺灣大學資訊工程學研究所學位論文, 1-32.
8.	洪瑛琳（1998）。以作物需水量推估為基礎之氣象分區(碩士論文)。國立臺灣大學農業工程學研究所碩士論文 1998
9.	郭文鑠, & 楊之遠. (1980). 臺灣農業氣候區域規劃. 中央氣象局.

10.	李宗儒, & 陳泰宏. (1997). 專家系統在稻米產量預測之應用: 以臺農 67 號蓬萊米為例.
11.	陳建良等人(2008)類神經網路於農業產銷預測模式之應用. 先進工程學刊, 2008, 3.3: 241-249.
12.	陳烈夫, 楊清祥, & 呂秀英. (2003). 幫水稻把脈看氣色. 技術服務, 14(2), 7-12.
13.	施伯昆（2010）。倒傳遞類神經網路於水稻產量之預測。國立嘉義大學土木與水資源工程學系研究所(Graduate Institute o碩士論文，嘉義市。 取自https://hdl.handle.net/11296/f635ym 

英文參考文獻
1.	Savin, I. Y., & Isaev, V. A. (2010). Rice yield forecast based on satellite and meteorological data. Russian Agricultural Sciences, 36(6), 424-427.

2.	Ma, J. W., Nguyen, C. H., Lee, K., & Heo, J. (2018). Regional-scale rice-yield estimation using stacked auto-encoder with climatic and MODIS data: a case study of South Korea. International Journal of Remote Sensing, 1-21.

3.	Saruta, K., Hirai, Y., Tanaka, K., Inoue, E., Okayasu, T., & Mitsuoka, M. (2013). Predictive models for yield and protein content of brown rice using support vector machine. Computers and electronics in agriculture, 99, 93-100.