Bajo los objetivos duales de carbono, es crucial evaluar de manera racional el rendimiento de las estrategias de los emprendedores agrícolas para la protección ecológica y el desarrollo económico. Por lo tanto, este documento aborda los problemas estáticos y rezagados de los métodos de evaluación tradicionales al construir un sistema acoplado de producción agrícola ecológica y evaluación del rendimiento basado en aprendizaje profundo. En este estudio, recopilamos principalmente datos sobre cinco dimensiones, incluyendo producción ecológica, políticas económicas y tecnología, y utilizamos un método de bosque aleatorio para la detección de anomalías. Para la extracción de características, utilizamos una red CN con un mecanismo de atención fusionado y una red neuronal bidireccional, de largo y corto plazo para construir un modelo de predicción acoplado, permitiendo pronósticos de indicadores de rendimiento ecológico y económico para los próximos 1–5 años. Para mejorar la practicidad del modelo, entrenamos un modelo de clasificación para clasificar la viabilidad de las estrategias de los emprendedores agrícolas. También realizamos experimentos de análisis interpretable. Los resultados muestran que el modelo propuesto alcanza un error cuadrático medio de 0.063 para indicadores de rendimiento económico y 0.071 para indicadores de rendimiento ecológico. El modelo de clasificación de viabilidad de estrategias logró una precisión de clasificación del 85.6% (IC del 95%: 83.2%, 87.9%) en el conjunto de prueba, con un puntaje F1 de 0.84 y un AUC de 0.92, lo que indica que el modelo es robusto en equilibrar la precisión y la recuperación. Este modelo propuesto tiene una promesa significativa para ayudar a los emprendedores agrícolas a optimizar ecosistemas agrícolas, rendimiento económico y rendimiento ecológico.
Sheng et al. (Sun,) estudiaron esta cuestión.