CN114021486A - 一种作物蒸散量预测方法及装置 - Google Patents
一种作物蒸散量预测方法及装置 Download PDFInfo
- Publication number
- CN114021486A CN114021486A CN202210002970.XA CN202210002970A CN114021486A CN 114021486 A CN114021486 A CN 114021486A CN 202210002970 A CN202210002970 A CN 202210002970A CN 114021486 A CN114021486 A CN 114021486A
- Authority
- CN
- China
- Prior art keywords
- crop
- evapotranspiration
- prediction
- layer
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本申请涉及农业技术领域,尤其涉及一种作物蒸散量预测方法、装置、电子设备和存储介质。
背景技术
作物实际蒸散量()指作物实际通过地表蒸发和植株蒸腾损失的水量,由参考作物蒸散量()和作物系数Kc乘积确定。虽然由联合国粮食及农业组织(FAO)于 1998 年推荐的P-M(Penman-Monteith,彭曼-蒙特斯)模型对于有着较高的模拟精度且运用十广泛,但是完整的P-M 模型需要输入的气象要素较多,由于受区域观测条件影响,预测的气象数据不能提供P-M 模型全要素的气象数据,所以用其他简化的P-M模型或其他模型在不同地区的表现精度差距较大,且不同模型侧重的气象要素计算方法也不尽相同,因此作物蒸散量预测模型的精准度尚有提升空间。另外,现有技术中提供了各类作物在不同生育阶段作物系数KC的推荐值,用于作物蒸散量的模拟计算,但实际并没有考虑土壤水热条件、作物生长情况和气象条件等的影响。因此,现有技术计算的蒸散量与实际观测的结果存在较大的误差。
发明内容
针对上述技术问题,本申请实施例提供了一种作物蒸散量预测方法、装置、电子设备及存储介质,用以提高作物蒸散量的预测精度。
第一方面,本申请实施例提供的一种作物蒸散量预测方法,包括:
确定预测数据集合;
将所述预测数据集合输入作物蒸散量预测模型,得到作物蒸散量的预测值;
优选的,根据以下方法获得所述作物蒸散量预测模型:
确定第三数据集合、第一层模型和第二层模型;
将所述第三数据集合划分为第三训练集和第三测试集;
根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;
根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;
根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;
所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型;
所述t日为监测的当日。
优选的,所述作物实际蒸散量ET c 根据以下公式确定:
确定第一数据集合;
删除所述第一数据集合中的异常值,确定第一数据集中历史气象要素与预测气象要素的公共要素,并与日序、经度、纬度、海拔、是否降雨,构成第二数据集合;
将所述第二数据集合划分为第二训练集和第二测试集;
根据所述第二训练集,对所述第一层模型进行训练,得到第一层参考蒸散量预测模型;
根据所述第一层参考蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层参考蒸散量预测模型;
根据所述第二测试集对所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型进行评价;
所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型共同构成所述参考蒸散量预测模型;
所述第一数据集合包括:
确定历史气象要素;
根据所述历史气象要素计算历史作物参考蒸散量;
将所述历史作物参考蒸散量和所述历史气象要素一起组成所述第一数据集合。
优选的,所述根据所述历史气象要素计算历史作物参考蒸散量包括:
历史作物参考蒸散量根据以下公式确定:
其中,为饱和蒸气压-大气压曲线斜率;为湿度常数;为计算时间步长;为地面以上2m高处的风速;为作物面积净辐射;为土壤热通量;为分子常数;为地面以上指定高度位置的每日每小时平均气温;为地面以上2m高处平均饱和蒸气压;为实际平均蒸气压;为历史作物参考蒸散量。
优选的,所述删除所述第一数据集合中的异常值包括:
将所述异常值对应日期的数据剔除;
所述异常值为小于下门限或者大于上门限的历史参考蒸散量值;
优选的,所述基模型包括以下之一或者组合:
随机森林回归RF、梯度提升回归树GBRT、岭回归、支持向量机回归SVR和极限随机森林回归模型。
使用本发明提供的作物蒸散量预测方法,使用机器学习算法进行蒸散量的预测,并在机器学习的特征集合中,增加日序、经度、纬度、海拔、是否降雨、日参考蒸散量、土壤质地、土壤湿度等之一或者组合,并采用两层训练结构,提高了机器学习的训练精度,并分别对参考蒸散量和实际蒸散量进行预测,从而提高了作物蒸散量的预测精度。
第二方面,本申请实施例还提供一种作物蒸散量预测装置,包括:
数据集确定模块,被配置用于确定预测数据集合;
预测模块,被配置用于将所述预测数据集合输入作物蒸散量预测模型,得到作物蒸散量的预测值;
优选的,所述装置还包括:
基模型选择模块,被配置用于确定用于预测作物蒸散量的基模型;
预测模型训练模块,被配置用于确定第三数据集合、第一层模型和第二层模型;将所述第三数据集合划分为第三训练集和第三测试集;根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型;
所述t日为监测的当日。
第三方面,本申请实施例还提供一种电子设备,包括:存储器、处理器和用户接口;
所述存储器,用于存储计算机程序;
所述用户接口,用于与用户实现交互;
所述处理器,用于读取所述存储器中的计算机程序,所述处理器执行所述计算机程序时,实现本发明提供的作物蒸散量预测方法。
第四方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现本发明提供的作物蒸散量预测方法。
与现有技术相比,本发明的有益效果是:基于高精度的机器学习技术,分别对参考蒸散量和实际蒸散量进行预测,从而提高了作物蒸散量的预测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的参考作物蒸散量预测方法示意图;
图2 为本申请实施例提供的作物蒸散量预测模型和参考蒸散量预测模型的训练流程示意图;
图3 为本申请实施例提供的异常值上门限和下门限示意图;
图4 为本申请实施例提供的参考蒸散量机器学习流程示意图;
图5为本申请实施例提供的作物蒸散量预测装置示意图;
图6为本申请实施例提供的电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面对文中出现的一些词语进行解释:
1、本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
3、蒸散量是指作物蒸腾量和土壤表面蒸发量之和。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例的展示顺序仅代表实施例的先后顺序,并不代表实施例所提供的技术方案的优劣。
实施例一
参见图1,本申请实施例提供的一种作物蒸散量预测方法示意图,如图1所示,该方法包括步骤S101到S102:
S101、确定预测数据集合;
S102、将所述预测数据集合输入作物蒸散量预测模型,得到作物蒸散量的预测值;
本发明实施例中,将预测数据集合输入事先确定的作物蒸散量预测模型中,从而得到作物蒸散量的预测值。
作为一种优选示例,作物蒸散量预测模型根据以下方法确定:
确定第三数据集合、第一层模型和第二层模型;
将所述第三数据集合划分为第三训练集和第三测试集;
根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;
根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;
根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;
所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型;
所述t日为监测的当日。
所述t日为监测的当日。也就是说,第t日为监测的当日,t为整数
本发明实施例的方法,先适用第三数据集合对基模型进行训练和学习,得到作物蒸散量预测模型,再用该模型进行作物蒸散量的预测。
本发明实施例中,将作物的生长过程分成四个阶段,分别为初始阶段(播种日到覆盖度达到10%,株间蒸发为主)、作物生长期(覆盖度10%到地面被有效全覆盖)、作物中期(有效全覆盖至成熟)和作物后期(生长中期到收获或完全成熟)。不同阶段的作物参考系数取值不同。例如作物初始阶段参考系数、作物中期参考系数和作物后期参考系数。
作为一种优选示例,与作物蒸散量预测模型的训练过程相同,作物参考蒸散量的预测值也是先确定参考蒸散量预测模型,再根据参考蒸散量预测模型确定作物参考蒸散量的预测值。具体的,作物参考蒸散量的预测值根据以下方法确定:
确定第一数据集合;
删除所述第一数据集合中的异常值,确定第一数据集中历史气象要素与预测气象要素的公共要素,并与日序、经度、纬度、海拔、是否降雨,构成第二数据集合;
将所述第二数据集合划分为第二训练集和第二测试集;
根据所述第二训练集,对所述第一层模型进行训练,得到第一层参考蒸散量预测模型;
根据所述第一层参考蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层参考蒸散量预测模型;
根据所述第二测试集对所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型进行评价;
所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型共同构成所述参考蒸散量预测模型;
需要说明的是,本发明实施例中,作物蒸散量预测模型和参考蒸散量预测模型的训练过程是相同的。例如如图2所示,基模型为随机森林回归RF和梯度提升回归树GBRT,每个基模型把第三数据集合或者第一数据集合分成5等份,用其中4份进行训练,剩余的1份进行预测,逐一进行;得到训练后的子一级的基模型和其预测结果,将各子一级基模型的预测结果堆叠形成基模型预测结果;用得到的所有子一级基模型分别去预测第三数据集合或者第一数据集合的测试集的测试集结果,取平均值;第二层模型为回归模型,将多个基模型的预测结果与真实值作为新的数据集作为新的训练集,对第二层模型进行训练得到第二层模型预测模型,第二层模型预测模型对平均后的测试集数据进行预测,和真实值对比,进行模型评价。
作为一种优选示例,第一数据集合包括:
确定历史气象要素;
根据所述历史气象要素计算历史作物参考蒸散量;
将所述历史作物参考蒸散量和所述历史气象要素一起组成所述第一数据集合。
优选的,所述根据所述历史气象要素计算历史作物参考蒸散量包括:
历史作物参考蒸散量根据以下公式确定:
其中,为饱和蒸气压-大气压曲线斜率;为湿度常数;为计算时间步长;为地面以上2m高处的风速;为作物面积净辐射;为土壤热通量;为分子常数;为地面以上指定高度位置的每日每小时平均气温;为地面以上2m高处平均饱和蒸气压;为实际平均蒸气压;为历史作物参考蒸散量。
本发明实施例中,历史气象要素包括逐日记录的气象历史数据,例如包括但不限于最低气温、最高气温、平均气温、日照时数、2m风速、平均水气压、平均湿度、降雨量。然后根据历史数据计算历史日参考蒸散量。例如,利用2000个坐标点的10年逐日格点气象历史数据,计算10年以内的日参考蒸散量。
作为一种优选示例,删除所述第一数据集合中的异常值具体包括:
将所述异常值对应日期的数据剔除;
所述异常值为小于下门限或者大于上门限的历史参考蒸散量值;
上门限和下门限的值如图3所示,上界即为上门限,下界即为下门限。按统计学中四分位数的方法,把所有数值从小到大排列分成4等份,下四分位是指处在25%位置上的值,上四分位是指处于75%位置上的值。四分位数(Quartile)也称四分位点,是指在统计学中把所有数值由小到大排列并平均分成四等份,处于三个分割点位置的数值。即通过3个点将全部数据等分为4部分,其中每部分包含25%的数据。也就是说,四分位数是指处在25%位置上的数值(称为下四分位数)和处在75%位置上的数值(称为上四分位数)。
需要说明的是,本发明实施例中,基模型包括以下之一或者组合:
随机森林回归RF、梯度提升回归树GBRT、岭回归、支持向量机回归SVR和极限随机森林回归模型。
需要说明的是,本法发明实施例中,作物蒸散量预测模型的训练过程如图3所示,参考蒸散量预测模型的训练过程如图2所示。下面以图2为例说明参考蒸散量预测模型的训练过程为例进行进一步的说明:
步骤1:确定历史气象要素。
例如,确定全要素历史气象数据集,全要素包括但不限于:逐日的最高温度、最低温度、平均温度、湿度、降雨量、风速、风力等级、天气现象、照时长、平均水气压。
步骤2:根据公式三计算历史作物参考蒸散量。
公式三也称为FAO-56 PM公式,例如,利用2000个坐标点的10年逐日格点气象历史数据(包含最低气温、最高气温、平均气温、日照时数、2m风速、平均水气压、平均湿度、降雨量),根据P-M公式(见式1)来计算多地10年以内的历史作物参考蒸散量。历史作物参考蒸散量也称为蒸散量标准值。
步骤3:删除所述第一数据集合中的异常值。
例如,将历史气象要素按照经纬度、日序进行分组,查看相同坐标、相同日序下,关于历史作物参考蒸散量的茎叶图和散点图,将异常值对应日期的前后各2天的气象数据进行对比,对异常的历史气象要素进行剔除。
步骤4:构成第二数据集合。
例如,当前15天气象预报数据中包含逐日的最高温度、最低温度、平均温度、湿度、风速、风力等级、天气现象等要素。跟气象历史数据中包含最高温度、最低温度、平均温度、湿度、风速、日照时长、平均水气压进行对比后,选取气象预测数据和历史数据的公共要素:最高温度、最低温度、平均温度、湿度、风速作为第二数据集合的组成元素。
不同地点海拔不同、不同日期太阳照射角度不同、相对应的日照时长、温度等气象要素都受到影响,所以增加“日序”、“经度”、“纬度”、“海拔”作为第二数据集合的组成元素。
气象预报数据中,对于降雨量的预测,各地准确率不一致,但对是否降雨的预测准确率较高,所以根据历史数据中降雨量的记录,增加“是否降雨”作为第二数据集合的组成元素。
综上,将日序、经度、纬度、海拔、最高温度、最低温度、平均温度、湿度、风速和是否降雨与历史作物参考蒸散量一起,共同构成第二数据集合。
步骤5:第二数据集合划分为第二训练集和第二测试集。
步骤6:择基模型。
基模型为以下之一或者组合:随机森林回归RF、梯度提升回归树GBRT、岭回归、支持向量机回归SVR、极限随机森林回归模型。
步骤7:对基模型进行训练。
根据所述第二训练集,对基模型进行训练,得到第一层参考蒸散量预测模型;根据第一层参考蒸散量预测模型得到的预测结果,对第二层模型进行训练,得到第二层参考蒸散量预测模型;根据所述第二测试集对所述第一层参考蒸散量预测模型和所述第二层参考散量预测模型进行评价;所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型共同构成参考蒸散量预测模型;
例如,选择基模型后,对基模型设置不同的参数范围,根据第二训练集进行训练,输出最优参数组合。例如对基模型进行训练后,得到参数为:随机森林回归RF的参数设为n_estimators=40、max_depth=36,梯度提升回归树GBRT的参数设为n_estimators=80、learning_rate=0.1,岭回归的参数为alpha=1000,支持向量机回归SVR的参数为kernel="rbf"、gamma=0.01、C=1,极限随机森林回归模型的参数为n_estimators=6,max_depth=48。
使用本发明提供的作物蒸散量预测方法,使用机器学习算法进行蒸散量的预测,并在机器学习的特征集合中,增加日序、经度、纬度、海拔、是否降雨、日参考蒸散量、土壤质地、土壤湿度等之一或者组合,并采用两层训练结构,提高了机器学习的训练精度,并分别对参考蒸散量和实际蒸散量进行预测,从而提高了作物蒸散量的预测精度。
实施例二
基于同一个发明构思,本发明实施例还提供了一种作物蒸散量预测装置,如图5所示,该装置包括:
数据集确定模块501,被配置用于确定预测数据集合;
预测模块502,被配置用于将所述预测数据集合输入作物蒸散量预测模型,得到作物蒸散量的预测值;
作为一种优选示例,实施例二提供的作物蒸散量预测装置还包括:
基模型选择模块503,被配置用于确定用于预测作物蒸散量的基模型;
优选的,基模型包括以下之一或者组合:随机森林回归RF、梯度提升回归树GBRT、岭回归、支持向量机回归SVR、极限随机森林回归模型
预测模型训练模块504,被配置用于确定第三数据集合、第一层模型和第二层模型;将所述第三数据集合划分为第三训练集和第三测试集;根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型;
所述t日为监测的当日。
确定第一数据集合;
删除所述第一数据集合中的异常值,确定第一数据集中历史气象要素与预测气象要素的公共要素,并与日序、经度、纬度、海拔、是否降雨,构成第二数据集合;
将所述第二数据集合划分为第二训练集和第二测试集;
根据所述第二训练集,对所述第一层模型进行训练,得到第一层参考蒸散量预测模型;
根据所述第一层参考蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层参考蒸散量预测模型;
根据所述第二测试集对所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型进行评价;
所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型共同构成所述参考蒸散量预测模型;
所述第一数据集合包括:
确定历史气象要素;
根据所述历史气象要素计算历史作物参考蒸散量;
将所述历史作物参考蒸散量和所述历史气象要素一起组成所述第一数据集合。
作为一种优选示例,所述预测模型训练模块504还被配置用于根据以下公式确定历史作物参考蒸散量:
其中,为饱和蒸气压-大气压曲线斜率;为湿度常数;为计算时间步长;为地面以上2m高处的风速;为作物面积净辐射;为土壤热通量;为分子常数;为地面以上指定高度位置的每日每小时平均气温;为地面以上2m高处平均饱和蒸气压;为实际平均蒸气压;为历史作物参考蒸散量。
作为一种优选示例,所述预测模型训练模块504还被配置用于根据以下步骤删除所述第一数据集合中的异常值:
将所述异常值对应日期的数据剔除;
所述异常值为小于下门限或者大于上门限的历史参考蒸散量值;
需要说明的是,实施例二提供的装置与实施例一提供的方法属于同一个发明构思,解决相同的技术问题,达到相同的技术效果,实施例二提供的装置能实现实施例一的所有方法,相同之处不再赘述。
实施例三
基于同一个发明构思,本发明实施例还提供了一种电子设备,如图6所示,该电子设备包括:
包括存储器602、处理器601和用户接口603;
所述存储器602,用于存储计算机程序;
所述用户接口603,用于与用户实现交互;
所述处理器601,用于读取所述存储器602中的计算机程序,所述处理器601执行所述计算机程序时,实现:
确定预测数据集合;
将所述预测数据集合输入作物蒸散量预测模型,得到作物蒸散量的预测值;
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器601代表的一个或多个处理器和存储器602代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。处理器601负责管理总线架构和通常的处理,存储器602可以存储处理器601在执行操作时所使用的数据。
处理器601可以是CPU、ASIC、FPGA或CPLD,处理器601也可以采用多核架构。
处理器601执行存储器602存储的计算机程序时,实现实施例一中的任一作物蒸散量预测方法。
作为一种优选示例,处理器601执行存储器602存储的计算机程序时,实现:根据以下方法获得所述作物蒸散量预测模型:
确定第三数据集合、第一层模型和第二层模型;
将所述第三数据集合划分为第三训练集和第三测试集;
根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;
根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;
根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;
所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型。
需要说明的是,实施例三提供的电子设备与实施例一提供的方法属于同一个发明构思,解决相同的技术问题,达到相同的技术效果,实施例三提供的装置能实现实施例一的所有方法,相同之处不再赘述。
本申请还提出一种处理器可读存储介质。其中,该处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现实施例一中的任一作物蒸散量预测方法,相同之处不再赘述。
需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
2.根据权利要求1所述的方法,其特征在于,根据以下方法获得所述作物蒸散量预测模型:
确定第三数据集合、第一层模型和第二层模型;
将所述第三数据集合划分为第三训练集和第三测试集;
根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;
根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;
根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;
所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第三数据集合包括以下之一或者组合:监测时段t日零点到t+1日零点内的作物实际蒸散量,以及作物参考蒸散量的预测值,t日零点时刻的土壤含水量,修正后的作物参考系数,土壤质地;所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型;
所述t日为监测的当日。
确定第一数据集合;
删除所述第一数据集合中的异常值,确定第一数据集中历史气象要素与预测气象要素的公共要素,并与日序、经度、纬度、海拔和是否降雨,构成第二数据集合;
将所述第二数据集合划分为第二训练集和第二测试集;
根据所述第二训练集,对所述第一层模型进行训练,得到第一层参考蒸散量预测模型;
根据所述第一层参考蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层参考蒸散量预测模型;
根据所述第二测试集对所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型进行评价;
所述第一层参考蒸散量预测模型和所述第二层参考蒸散量预测模型共同构成所述参考蒸散量预测模型;
7.根据权利要求6所述的方法,其特征在于,所述第一数据集合包括:
确定历史气象要素;
根据所述历史气象要素计算历史作物参考蒸散量;
将所述历史作物参考蒸散量和所述历史气象要素一起组成所述第一数据集合。
10.根据权利要求2或者6所述的方法,其特征在于,所述基模型包括以下之一或者组合:
随机森林回归RF、梯度提升回归树GBRT、岭回归、支持向量机回归SVR和极限随机森林回归模型。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
基模型选择模块,被配置用于确定用于预测作物蒸散量的基模型;
预测模型训练模块,被配置用于确定第三数据集合、第一层模型和第二层模型;将所述第三数据集合划分为第三训练集和第三测试集;根据所述第三训练集,对所述第一层模型进行训练,得到第一层作物蒸散量预测模型;根据所述第一层作物蒸散量预测模型得到的预测结果,对所述第二层模型进行训练,得到第二层作物蒸散量预测模型;根据所述第三测试集对所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型进行评价;所述第一层作物蒸散量预测模型和所述第二层作物蒸散量预测模型共同构成所述作物蒸散量预测模型;
所述第一层模型包括至少一个基模型,所述第二层模型为逻辑回归模型。
13.一种电子设备,其特征在于,包括:存储器、处理器和用户接口;
所述存储器,用于存储计算机程序;
所述用户接口,用于与用户实现交互;
所述处理器,用于读取所述存储器中的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1到10任意一项所述的作物蒸散量预测方法。
14.一种处理器可读存储介质,其特征在于,所述处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至10任意一项所述的作物蒸散量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002970.XA CN114021486B (zh) | 2022-01-05 | 2022-01-05 | 一种作物蒸散量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002970.XA CN114021486B (zh) | 2022-01-05 | 2022-01-05 | 一种作物蒸散量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021486A true CN114021486A (zh) | 2022-02-08 |
CN114021486B CN114021486B (zh) | 2022-04-08 |
Family
ID=80069337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002970.XA Active CN114021486B (zh) | 2022-01-05 | 2022-01-05 | 一种作物蒸散量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021486B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638146A (zh) * | 2022-03-25 | 2022-06-17 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461909A (zh) * | 2020-04-02 | 2020-07-28 | 中国水利水电科学研究院 | 一种农田蒸散量短期预测方法 |
US20200241579A1 (en) * | 2017-03-20 | 2020-07-30 | Supplant Ltd. | Systems and methods for planning crop irrigation |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN111833202A (zh) * | 2020-07-14 | 2020-10-27 | 中国水利水电科学研究院 | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
-
2022
- 2022-01-05 CN CN202210002970.XA patent/CN114021486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200241579A1 (en) * | 2017-03-20 | 2020-07-30 | Supplant Ltd. | Systems and methods for planning crop irrigation |
CN111461909A (zh) * | 2020-04-02 | 2020-07-28 | 中国水利水电科学研究院 | 一种农田蒸散量短期预测方法 |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN111833202A (zh) * | 2020-07-14 | 2020-10-27 | 中国水利水电科学研究院 | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 |
CN112163703A (zh) * | 2020-09-25 | 2021-01-01 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638146A (zh) * | 2022-03-25 | 2022-06-17 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114021486B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3534689B1 (en) | Controlling agricultural production areas | |
Powell et al. | Measuring the effects of extreme weather events on yields | |
Riha et al. | Impact of temperature and precipitation variability on crop model predictions | |
WO2023179167A1 (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
CN113592193B (zh) | 一种作物收获期时间预测方法、装置及存储介质 | |
Delgoda et al. | Root zone soil moisture prediction models based on system identification: Formulation of the theory and validation using field and AQUACROP data | |
Leite et al. | Distribution of limited irrigation water based on optimized regulated deficit irrigation and typical metheorological year concepts | |
JP6885394B2 (ja) | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラム | |
Guiot et al. | The Mediterranean Basin and Southern Europe in a warmer world: what can we learn from the past? | |
CN114021486B (zh) | 一种作物蒸散量预测方法及装置 | |
Soundharajan et al. | Sensitivity analysis and auto-calibration of ORYZA2000 using simulation-optimization framework | |
Chopard et al. | Development of a decision support system to evaluate crop performance under dynamic solar panels | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
Egerer et al. | Limited potential of irrigation to prevent potato yield losses in Germany under climate change | |
AU2021374236A9 (en) | Advanced crop manager for crops stress mitigation | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN112966960A (zh) | 一种基于土壤湿度的多阈值干旱综合风险评价方法 | |
CN115423155A (zh) | Co2浓度升高影响下的植被变化径流响应评估方法 | |
Hanemann et al. | The downside risk of climate change in California’s Central Valley agricultural sector | |
Vígh et al. | Impacts of climate on technical efficiency in the Hungarian arable sector | |
Sargordi et al. | Spatio-temporal variation of wheat and silage maize water requirement using CGMS model | |
Abubakar et al. | Geospatial mapping and biophysical analysis of factors that affect oil palm (Elaeis guineensis) yields in Peninsular Malaysia | |
Kiani et al. | The forecast of economic welfare and food security of iran under climate changes | |
Bustan et al. | Progress in the development of ‘CITROS’-a dynamic model of citrus productivity | |
Dökmen et al. | Crop water use estimation of drip irrigated walnut using ANN and ANFIS models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |