[发明专利]一种基于机器学习的农作物需水量预测方法

摘要

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。

主权项

1.一种基于机器学习的农作物需水量预测方法，其特征在于：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；(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；(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；(5)调节参数，优化XGBoost模型：对训练数据的预测结果进行评估，调节参数来优化XGBoost模型；(6)结果预测与评估：导入训练数据，先采用模型默认参数对农作物进行需水量预测，评估预测效果，然后进行参数调节以此来优化模型，在进行预测，采用拟合优度为评价指标，其含义是训练集估计和所学模型产生的新数据集评估的偏离度，其值越大表示拟合优度越好，可以较好反映出预测效果。