[发明专利]一种基于机器学习的农作物需水量预测方法

说明书

本发明公开了一种基于机器学习的农作物需水量预测方法，方法步骤包括：(1)历史气象特征数据采集；(2)作物生长阶段数据获取；(3)数据预处理；(4)搭建XGBoost模型；(5)调节参数，优化XGBoost模型；(6)结果预测与评估，结合气象特征和作物生长阶段特征，实现了小数据条件下的农作物需水的精准预测，优化水资源配置，提升利用效率。

技术领域

本发明涉及一种农作物需水量的预测技术领域，特别是涉及一种基于机器学习的农作物需水量预测方法。

背景技术

农业生产领域中，水资源作为宝贵的自然资源，是影响农业生产得命脉因素之一。水资源的高效利用，是实现水资源的可持续利用、农业增产增效的基本条件。为此，这就需要一种能预测农作物在不同气象特征及生长阶段条件下的需水量预测方法。

目前农作物需水分析大多局限在人工经验基础上，无法真正实现有效的水资源优化配置。近年来，大数据逐渐成为互联网发展的趋势，但针对农业生产中的作物需水分析的场境，由于还没有积攒数量足够大的数据来支撑大数据的研究，因此小数据下的精准研究预测就显得尤为重要。

发明内容

针对农业生产小数据条件下的作物需水预测分析所面临的准确度不高等问题，本发明提供一种结合气象特征和作物生长阶段特征的基于机器学习的农作物需水量预测方法，优化水资源配置，提升利用效率。

为实现上述发明目的，本发明所采取的技术方案为：

本发明提供一种基于机器学习的农作物需水量预测方法。该方法步骤包括：(1)历史气象特征数据采集；(2)作物生长阶段数据获取；(3)数据预处理；(4)搭建XGBoost模型；(5)调节参数，优化XGBoost模型；(6)结果预测与评估：

(1)历史气象特征数据获取：设定农田实验区域，利用传感器采集农作物生长环境气象特征信息，包括光照、温度、湿度，并将感知结果通过无线传输方式传送到数据终端。根据农作物在不同生长阶段需水量的不同，可将气象特征进一步细化为：日累积平均光照、日平均光照、日最大光照、日平均温度、昼平均温度、日最大温度、日最小温度、日平均湿度、昼平均湿度、日最大湿度、日最小湿度。

(2)作物生长阶段数据获取；所述生长阶段数据包括：单株叶面积、系数以及生长天数。其中系数k＝需水量/蒸发皿蒸发量，单株叶面积每10天测一次，需水量测定为每两天测一次，取平均值。

其中，需水量测定的方式选用称重法，具体操作：每天八点称重，第二天减去第一天的重量是盆栽减少量，这个重量包括水分的减少和植株自身重量的增加，所以每十天取三颗植株，把这个重量平均到每一天，把每天盆栽减少量减去每天植株增加量即为每天需水量。

(3)数据预处理：通过随机森林算法分析出对最终需水量预测结果影响较大的因素，清理异常数据、脏数据。

(4)搭建XGBoost模型：将采集到的气象特征数据和作物生长数据整合成两部分，分别用于训练和测试，将训练数据导入XGBoost(eXtreme Gradient Boosting)模型中，采用模型默认参数对农作物需水量预测。

XGBoost模型中，其最基本组成部分为回归树，会根据训练特征及训练数据构建分类树，为保证XGBoost模型的精度和可泛化，首先构造学习模型的目标函数为：

其中K表明该模型构造了K颗树y_i为数据中第i个样本的真实值，为模型对第i个样本的预测值，可表示为其中f_k是属于函数空间δ中的函数，而δ为所有回归树的集合，l表示数据集中第i个样本真实值与预测值的误差，为误差函数，Ω表示树第k个分支的复杂度，则为表示复杂度的函数，其值越小复杂度越低，泛化能力越强。