本發(fā)明屬于智慧農(nóng)業(yè)，特別是涉及一種基于機(jī)器學(xué)習(xí)的甘蔗產(chǎn)量預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著農(nóng)業(yè)信息化的發(fā)展，精準(zhǔn)農(nóng)業(yè)已成為現(xiàn)代農(nóng)業(yè)的重要趨勢(shì)。甘蔗作為重要的糖料作物，其產(chǎn)量及品質(zhì)的預(yù)測(cè)對(duì)于糖業(yè)生產(chǎn)具有重要意義。甘蔗作為我國(guó)南方地區(qū)重要的經(jīng)濟(jì)作物之一，在飲料、制糖等行業(yè)具有廣泛的應(yīng)用。然而，甘蔗生長(zhǎng)過(guò)程中受多種因素影響，如氣象條件、土壤環(huán)境、作物基因型等，導(dǎo)致甘蔗產(chǎn)量難以準(zhǔn)確預(yù)測(cè)。傳統(tǒng)預(yù)測(cè)方法多依賴于人工經(jīng)驗(yàn)和簡(jiǎn)單統(tǒng)計(jì)，難以滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的高精度需求。近年來(lái)，機(jī)器學(xué)習(xí)(ml)和深度學(xué)習(xí)(dl)技術(shù)因其能夠識(shí)別海量數(shù)據(jù)集中的非線性模式而被廣泛應(yīng)用于作物產(chǎn)量預(yù)測(cè)。然而，現(xiàn)有技術(shù)中針對(duì)甘蔗產(chǎn)量及品質(zhì)預(yù)測(cè)的方法大多側(cè)重于單一數(shù)據(jù)源或算法，缺乏綜合性和系統(tǒng)性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在提供一種基于機(jī)器學(xué)習(xí)的甘蔗產(chǎn)量預(yù)測(cè)方法及系統(tǒng)，通過(guò)收集多源數(shù)據(jù)、提取關(guān)鍵特征、構(gòu)建與優(yōu)化預(yù)測(cè)模型，實(shí)現(xiàn)甘蔗產(chǎn)量的精準(zhǔn)預(yù)測(cè)，并為農(nóng)業(yè)生產(chǎn)管理提供決策支持。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

3、本發(fā)明為一種基于機(jī)器學(xué)習(xí)的甘蔗產(chǎn)量預(yù)測(cè)方法，包括以下步驟：

4、步驟一、數(shù)據(jù)收集與預(yù)處理：收集甘蔗生長(zhǎng)周期內(nèi)的作物基因數(shù)據(jù)、無(wú)人機(jī)高光譜影像數(shù)據(jù)、衛(wèi)星遙感數(shù)據(jù)、地面觀測(cè)數(shù)、氣象數(shù)據(jù)以及歷史產(chǎn)量數(shù)據(jù)，對(duì)采集到的數(shù)據(jù)進(jìn)行分類存儲(chǔ)，同時(shí)對(duì)相關(guān)數(shù)據(jù)一一進(jìn)行預(yù)處理操作，將多源數(shù)據(jù)進(jìn)行融合，形成多維數(shù)據(jù)集；

5、步驟二、特征提?。簭念A(yù)處理后的數(shù)據(jù)中提取與甘蔗產(chǎn)量及品質(zhì)密切相關(guān)的關(guān)鍵特征，利用特征選擇算法進(jìn)一步篩選出對(duì)預(yù)測(cè)結(jié)果貢獻(xiàn)度大的特征子集并進(jìn)行降維處理；

6、步驟三、模型選擇與構(gòu)建：根據(jù)不同的預(yù)測(cè)目標(biāo)選擇不同的特征子集采用合適的機(jī)器學(xué)習(xí)算法或算法組合，構(gòu)建預(yù)測(cè)模型，所述機(jī)器學(xué)習(xí)算法包括但是不限于：梯度提升回歸樹(shù)、偏最小二乘回歸、支持向量機(jī)回歸、bp神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)、深度極限學(xué)習(xí)機(jī)、多元線性回歸、逐步多元回歸、廣義線性模型、廣義增強(qiáng)模型和隨機(jī)森林算法；

7、步驟四、模型訓(xùn)練與調(diào)優(yōu)：使用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并通過(guò)交叉驗(yàn)證對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)；

8、步驟五、模型預(yù)測(cè)、集成與融合：利用訓(xùn)練好的預(yù)測(cè)模型對(duì)甘蔗產(chǎn)量進(jìn)行預(yù)測(cè)、采用集成學(xué)習(xí)或模型融合的方法，對(duì)多個(gè)不同的預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行集成，以提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性；

9、步驟六：預(yù)測(cè)報(bào)告生成：根據(jù)選定的集成策略，計(jì)算出最終的甘蔗產(chǎn)量預(yù)測(cè)值，根據(jù)預(yù)測(cè)結(jié)果和影響因素分析，提出相應(yīng)的農(nóng)業(yè)管理建議和優(yōu)化措施；

10、步驟七、結(jié)果驗(yàn)證與評(píng)估：通過(guò)與實(shí)際產(chǎn)量數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證，采用多種評(píng)估指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證和評(píng)估，評(píng)估預(yù)測(cè)模型的準(zhǔn)確性和可靠性；

11、步驟八、持續(xù)優(yōu)化與改進(jìn)：建立反饋機(jī)制，收集用戶對(duì)預(yù)測(cè)結(jié)果的反饋意見(jiàn)，并根據(jù)反饋對(duì)模型進(jìn)行持續(xù)優(yōu)化和改進(jìn)，同時(shí)跟蹤新技術(shù)和新方法的發(fā)展動(dòng)態(tài)，及時(shí)將新技術(shù)引入預(yù)測(cè)模型中以提高性能。

12、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述數(shù)據(jù)收集與預(yù)處理步驟具體包括：

13、無(wú)人機(jī)高光譜影像數(shù)據(jù)的采集：在甘蔗生長(zhǎng)周期內(nèi)，通過(guò)無(wú)人機(jī)搭載高光譜相機(jī)獲取甘蔗田的高光譜影像數(shù)據(jù)，以捕捉甘蔗生長(zhǎng)過(guò)程中的光譜信息，無(wú)人機(jī)高光譜影像數(shù)據(jù)包括但不限于冠層覆蓋度、冠層高度、歸一化植被指數(shù)、過(guò)綠指數(shù)；

14、衛(wèi)星遙感數(shù)據(jù)的獲?。豪眯l(wèi)星遙感技術(shù)，定期收集甘蔗田的遙感影像數(shù)據(jù)，以獲取更大范圍的甘蔗生長(zhǎng)信息；

15、地面觀測(cè)數(shù)據(jù)的收集：通過(guò)在甘蔗田采集甘蔗關(guān)鍵表型的實(shí)際測(cè)量值包括但不限于甘蔗生長(zhǎng)參數(shù)、產(chǎn)量相關(guān)指標(biāo)以及土壤和環(huán)境參數(shù)；

16、氣象數(shù)據(jù)的采集：收集甘蔗生長(zhǎng)周期內(nèi)的氣象數(shù)據(jù)，包括但不限于溫度、降水以及光照，以分析氣象因素對(duì)甘蔗產(chǎn)量的影響；

17、數(shù)據(jù)分類存儲(chǔ)：將采集到的各類數(shù)據(jù)進(jìn)行分類存儲(chǔ)，以便后續(xù)處理；

18、數(shù)據(jù)預(yù)處理：對(duì)收集到的數(shù)據(jù)進(jìn)行清洗、去除異常值、填充缺失值等預(yù)處理操作，以提高數(shù)據(jù)質(zhì)量；

19、多源數(shù)據(jù)融合：將經(jīng)過(guò)預(yù)處理的多源數(shù)據(jù)進(jìn)行融合，形成包含多種信息的多維數(shù)據(jù)集，為后續(xù)特征提取和模型構(gòu)建提供數(shù)據(jù)支持，同時(shí)采用高級(jí)時(shí)空插值方法對(duì)時(shí)空數(shù)據(jù)進(jìn)行深度融合，以捕捉甘蔗生長(zhǎng)過(guò)程中空間分布與時(shí)間演變的復(fù)雜關(guān)系。

20、作為本發(fā)明的一種優(yōu)選技術(shù)方案，數(shù)據(jù)預(yù)處理階段選擇以下機(jī)器學(xué)習(xí)算法對(duì)不同采集方式采集到的數(shù)據(jù)進(jìn)行處理：

21、對(duì)于無(wú)人機(jī)高光譜影像數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合深度學(xué)習(xí)框架進(jìn)行特征提取，以充分利用高光譜影像中的光譜和空間信息，提高對(duì)甘蔗生長(zhǎng)狀態(tài)識(shí)別的準(zhǔn)確性；

22、對(duì)于衛(wèi)星遙感數(shù)據(jù)，采用長(zhǎng)短期記憶網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機(jī)制，以捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系和重要時(shí)間點(diǎn)的變化，準(zhǔn)確預(yù)測(cè)甘蔗生長(zhǎng)趨勢(shì)；

23、對(duì)于地面觀測(cè)數(shù)據(jù)中的連續(xù)變量，包括但不限于土壤濕度以及養(yǎng)分含量，采用支持向量機(jī)回歸或隨機(jī)森林回歸，以處理這些數(shù)據(jù)的非線性和交互作用，提高產(chǎn)量預(yù)測(cè)的精度；

24、對(duì)于氣象數(shù)據(jù)中的分類變量包括但不限于降雨類型以及風(fēng)向，采用決策樹(shù)或梯度提升樹(shù)進(jìn)行分類處理，以準(zhǔn)確判斷氣象條件對(duì)甘蔗產(chǎn)量的影響；

25、對(duì)于時(shí)間序列的氣象數(shù)據(jù)，包括但不限于日降雨量以及日平均溫度，采用時(shí)間序列分析算法arima或季節(jié)性分解時(shí)間序列預(yù)測(cè)模型sari?ma結(jié)合深度學(xué)習(xí)模型，以捕捉氣象數(shù)據(jù)的季節(jié)性和周期性變化，提高預(yù)測(cè)的準(zhǔn)確性。

26、作為本發(fā)明的一種優(yōu)選技術(shù)方案，在特征提取階段，針對(duì)時(shí)空數(shù)據(jù)的特性，采用了卷積神經(jīng)網(wǎng)絡(luò)(cnn)與循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)的組合模型(convlstm)用于對(duì)時(shí)空特征進(jìn)行提取，以有效提取甘蔗生長(zhǎng)過(guò)程中的時(shí)空特征。

27、作為本發(fā)明的一種優(yōu)選技術(shù)方案，在特征提取階段，采用無(wú)監(jiān)督學(xué)習(xí)方法對(duì)特征進(jìn)行進(jìn)一步降維，以減少計(jì)算復(fù)雜度并保留關(guān)鍵信息，同時(shí)探索數(shù)據(jù)中的潛在結(jié)構(gòu)和模式。

28、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述模型選擇與構(gòu)建步驟中，針對(duì)不同的特征子集，選擇以下機(jī)器學(xué)習(xí)算法進(jìn)行一一對(duì)應(yīng)限定：

29、對(duì)于光譜特征，選擇梯度提升回歸樹(shù)構(gòu)建預(yù)測(cè)模型；

30、對(duì)于空間特征，選擇支持向量機(jī)回歸構(gòu)建預(yù)測(cè)模型；

31、對(duì)于環(huán)境特征，選擇多元線性回歸構(gòu)建預(yù)測(cè)模型。

32、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述模型訓(xùn)練步驟中，采用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并通過(guò)交叉驗(yàn)證對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)，具體包括：

33、將歷史數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為70％:15％:15％；

34、使用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練；

35、利用驗(yàn)證集對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果調(diào)整模型參數(shù)；

36、使用與訓(xùn)練集獨(dú)立的測(cè)試集對(duì)模型進(jìn)行驗(yàn)證，以評(píng)估模型在實(shí)際應(yīng)用中的性能

37、重復(fù)上述過(guò)程，直至模型性能達(dá)到最優(yōu)。

38、作為本發(fā)明的一種優(yōu)選技術(shù)方案，還包括，對(duì)特定區(qū)域的甘蔗產(chǎn)量預(yù)測(cè)，采用遷移學(xué)習(xí)策略，利用在其他相似區(qū)域訓(xùn)練好的模型作為預(yù)訓(xùn)練模型，通過(guò)少量本地?cái)?shù)據(jù)微調(diào)，快速適應(yīng)新區(qū)域的預(yù)測(cè)需求，提高預(yù)測(cè)效率和準(zhǔn)確性。

39、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述模型預(yù)測(cè)、集成與融合步驟中，集成學(xué)習(xí)方法包括但不限于堆疊、提升和裝袋；

40、結(jié)果驗(yàn)證與評(píng)估步驟中，評(píng)估指標(biāo)包括均方誤差、均方根誤差、決定系數(shù)和絕對(duì)百分比誤差。

41、本發(fā)明還提供了一種基于機(jī)器學(xué)習(xí)的甘蔗產(chǎn)量預(yù)測(cè)系統(tǒng)，用于實(shí)現(xiàn)上述的方法，該系統(tǒng)包括：

42、數(shù)據(jù)采集模塊：負(fù)責(zé)在甘蔗生長(zhǎng)周期內(nèi)，自動(dòng)收集相關(guān)數(shù)據(jù)；

43、數(shù)據(jù)預(yù)處理模塊：接收來(lái)自數(shù)據(jù)采集模塊的數(shù)據(jù)，執(zhí)行預(yù)處理操作，并將多源數(shù)據(jù)進(jìn)行融合，形成包含作物基因信息、生長(zhǎng)狀態(tài)以及環(huán)境參數(shù)的多維度信息的數(shù)據(jù)集，為后續(xù)分析提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)；

44、特征提取與模型選擇模塊：用于采用先進(jìn)的機(jī)器學(xué)習(xí)算法從預(yù)處理后的數(shù)據(jù)中自動(dòng)提取關(guān)鍵特征，根據(jù)特征提取結(jié)果，選擇合適的機(jī)器學(xué)習(xí)算法或算法組合構(gòu)建預(yù)測(cè)模型；

45、模型訓(xùn)練與優(yōu)化模塊：利用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，并通過(guò)交叉驗(yàn)證、網(wǎng)格搜索策略對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)；

46、預(yù)測(cè)與決策支持模塊：利用訓(xùn)練好的模型對(duì)甘蔗產(chǎn)量進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果和影響因素分析，生成詳細(xì)的預(yù)測(cè)報(bào)告，并提出相應(yīng)的農(nóng)業(yè)管理建議和優(yōu)化措施，并支持集成學(xué)習(xí)和模型融合策略以提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性；

47、用戶交互與反饋模塊：提供友好的用戶界面，允許用戶輸入查詢條件、查看預(yù)測(cè)結(jié)果及接收農(nóng)業(yè)管理建議，同時(shí)該模塊還負(fù)責(zé)收集用戶對(duì)預(yù)測(cè)結(jié)果的反饋意見(jiàn)，通過(guò)建立反饋機(jī)制，持續(xù)改進(jìn)和優(yōu)化預(yù)測(cè)模型。

48、本發(fā)明具有以下有益效果：

49、本發(fā)明利針對(duì)甘蔗產(chǎn)量預(yù)測(cè)的復(fù)雜性和傳統(tǒng)方法的局限性，提出了一種基于機(jī)器學(xué)習(xí)的甘蔗產(chǎn)量預(yù)測(cè)方法及其系統(tǒng)。該方法通過(guò)綜合應(yīng)用多種數(shù)據(jù)源和先進(jìn)的機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了對(duì)甘蔗產(chǎn)量的高精度預(yù)測(cè)。具體而言，該方法首先融合了作物基因數(shù)據(jù)、無(wú)人機(jī)高光譜影像數(shù)據(jù)等多維度信息，有效提升了預(yù)測(cè)的全面性和準(zhǔn)確性；其次，采用特征提取和模型選擇構(gòu)建技術(shù)，篩選出與甘蔗產(chǎn)量密切相關(guān)的關(guān)鍵特征，并構(gòu)建合適的預(yù)測(cè)模型；最后，通過(guò)模型訓(xùn)練與優(yōu)化、預(yù)測(cè)與決策支持等步驟，顯著提高了預(yù)測(cè)結(jié)果的穩(wěn)定性和可靠性。此外，該系統(tǒng)還支持持續(xù)優(yōu)化與改進(jìn)，能夠根據(jù)用戶反饋和新數(shù)據(jù)動(dòng)態(tài)調(diào)整模型參數(shù)，適應(yīng)不斷變化的農(nóng)業(yè)生產(chǎn)需求。綜上所述，該專利不僅提高了甘蔗產(chǎn)量預(yù)測(cè)的精度和效率，還為農(nóng)業(yè)生產(chǎn)提供了科學(xué)決策支持，具有重要的應(yīng)用價(jià)值和社會(huì)效益。

50、當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。