本发明属于农业信息化工程领域,具体为基于机器学习的机械压实对大豆产量变化的预测方法。
背景技术:
1、机械压实会使土壤变硬,恶化土壤物理性质,阻碍作物根系的生长,严重影响作物产量,因此研究机械压实对作物产量变化的影响至关重要。现有研究已表明压实机械的不同对产量的影响不同,土壤坚实度可作为评估机械压实水平的物理指标,并且其变化也是影响作物产量变化的重要因素。已有研究方法多为基于压实试验的统计分析,缺少了对压实环境中作物产量变化预测的探索。
技术实现思路
1、为解决上述问题,本发明提供了如下方案:一种基于机器学习的机械压实环境中大豆产量变化的预测方法,步骤包括:
2、获取不同压实环境下的机械因素、土壤因素和大豆产量数据,建立数据库;
3、对数据库进行预处理;
4、按照一定比例将数据库划分为训练集和测试集;
5、对训练集使用机器学习算法建立机械因素对土壤因素的预测模型,得到土壤因素的预测结果;
6、利用机器学习算法建立土壤因素的预测结果对大豆产量变化的预测模型,完成目标训练模型;
7、将测试集输入目标训练模型,得到预测结果,完成大豆产量影响的预测;
8、对目标训练模型进行特征重要性分析。
9、优选地,所述机械因素包括机械压实次数、机械质量、机械接地比压、机械功率、机械前轮面积和机械后轮面积。
10、优选地,所述土壤因素包括0~10cm,10~20cm,...,70~80cm共8个深度的土壤坚实度。
11、优选地,所述预处理过程包括:计算产量变化率和数据归一化。
12、所述的计算产量变化率的过程为:根据对照组产量的平均值,计算出各个压实组测产区域的产量变化率。使用mi表示地块i的大豆产量,m’表示对照组大豆的平均产量,则地块i的大豆产量变化率ci为:
13、
14、所述的数据归一化处理过程为:采用最大最小标准化将机械特征范围变换至[0,1]区间,使用xi表示第i个特征,xmax表示样本最大值,xmin表示样本最小值,则归一化后的结果xnew为:
15、
16、优选地,所述机械因素对土壤因素的影响预测模型所用的机器学习算法为多输出回归的xgboost。
17、优选地,所述土壤因素的预测结果对大豆产量变化的预测模型所用的机器学习算法为ann。
18、优选地,所述特征重要性分析方法为:采用基尼系数作为使用xgboost时的特征重要性的度量标准。采用输入层和隐藏层及输出层之间的全连接值作为使用ann时的特征重要性的度量标准。
19、本发明公开了以下技术效果:
20、本发明提供了一种基于机器学习的机械压实对大豆产量变化的预测方法。首先使用多输出回归的xgboost算法建立了机械因素对不同深度土壤坚实度的预测模型,然后基于该结果,使用ann算法建立了土壤坚实度对大豆产量变化的预测模型。最后通过特征重要性分析,得到了不同特征的重要性排序。该方法考虑了机械压实、土壤物理性质与作物产量间的递进影响关系,与已有方法相比,本发明具有更高的预测精度和鲁棒性。
1.基于机器学习的机械压实环境中大豆产量变化的预测方法,其特征在于,步骤包括:
2.根据权利要求1所述的基于机器学习的机械压实环境中大豆产量变化预测方法,其特征在于,所述机械因素包括机械压实次数、机械质量、机械接地比压、机械功率、机械前轮面积和机械后轮面积;
3.根据权利要求1所述的基于机器学习的机械压实环境中大豆产量变化预测方法,其特征在于,所述预处理过程包括:
4.根据权利要求1所述的基于机器学习的机械压实环境中大豆产量变化预测方法,其特征在于,所述机械因素对土壤因素的影响预测模型所用的机器学习算法为多输出回归的xgboost。
5.根据权利要求1所述的基于机器学习的机械压实环境中大豆产量变化预测方法,其特征在于,所述土壤因素的预测结果对大豆产量变化的预测模型所用的机器学习算法为ann。
6.根据权利要求1所述的基于机器学习的机械压实环境中大豆产量变化预测方法,其特征在于,所述特征重要性分析方法为: