一种基于机器学习的山地果园冻害风险预测方法
文献发布时间:2023-06-19 19:28:50
技术领域
本申请涉及冻害风险监测领域,具体而言,涉及一种基于机器学习的山地果园冻害风险预测方法。
背景技术
山地果园的环境监测对于山地果园的管理来说是极为重要的,例如对山地果园内果树生长涉及的各项环境指标(例如温度、湿度、光照、风力、病虫害、土壤营养成分等)的长期监测。除了上述基本环境的监测外,还需要对山地果园内果树的冻害进行监测,一旦冻害发生,将严重影响果实的产量。
而果树发生冻害的常见原因有:1.温度骤降:在秋末冬初(初冬时)和冬末春初(初春时)时,这两个阶段处于季节交替期,天气变化无常、温度变化剧烈且规律性较差,比如说初冬时寒流来袭所带来的急剧性降温,比如说初春时发生倒春寒,都非常容易导致果树发生枝干冻伤或花芽冻死的问题。2.持续低温:果树在越冬休眠期内,在遇到长时间的低温或低温强度过大时,如果咱们果农没能提前做好防护管理,也容易造成果树发生低温冻害。3.昼夜温差过大:在秋季时,较大的温差有利于果树的膨大、增甜和转色,但在冬季时,昼夜较大的温差就容易导致树体枝干受冻受害。
因此,如何对山地果园进行有效的冻害风险预测并进行警示,以便提前做好果树的防冻措施,是保障果实产量,避免严重减产的重要手段。
发明内容
本申请实施例的目的在于提供一种基于机器学习的山地果园冻害风险预测方法,以对山地果园的冻害风险进行预警。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请实施例提供一种基于机器学习的山地果园冻害风险预测方法,包括:获取山地果园区域在过去
结合第一方面,在第一方面的第一种可能的实现方式中,构建所述冻害风险预测模型的方法为:获取天气数据集,其中,所述天气数据集中包含山地果园区域在多年的冻害风险时期内每天的天气数据;基于同一冻害风险时期内连续
结合第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,每天的天气数据包含当日最高温度、当日最低温度、当日高温持续时长、当日低温持续时长、当日湿度信息、当日光照信息、当日雨量信息和当日风速信息,基于每个数据样本的预测部分或验证部分,将样本集合
结合第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,基于样本抽样策略对每个样本子集进行抽样,以抽样样本构建新的样本集合
结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述I类样本子集包含
对所述I类样本子集进行k-means聚类,聚类为
针对
从簇
从簇
最终得到
,
其中,
结合第一方面的第四种可能的实现方式,在第一方面的第五种可能的实现方式中,簇
,
其中,
簇
,
其中,
结合第一方面的第三种可能的实现方式,在第一方面的第六种可能的实现方式中,所述II类样本子集包含
对所述II类样本子集进行k-means聚类,聚类为
针对
从簇
最终得到
,
其中,
结合第一方面的第六种可能的实现方式,在第一方面的第七种可能的实现方式中,簇
,
其中,
簇
,
其中,
结合第一方面的第三种可能的实现方式,在第一方面的第八种可能的实现方式中,所述III类样本子集包含
对所述III类样本子集进行k-means聚类,聚类为
针对
从簇
最终得到
,
其中,
结合第一方面的第三种可能的实现方式,在第一方面的第九种可能的实现方式中,在将
对
,
其中,
而
,
初始时刻所有样本的权重为:
,
每次迭代完成后对所有样本的权重进行归一化。
有益效果:1.本方案利用山地果园区域在过去
2.利用当日最低温度低于设定温度的I类天气特征、数据样本的预测部分至少连续
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本申请实施例提供的构建冻害风险预测模型的流程图。
图2为本申请实施例提供的一种基于机器学习的山地果园冻害风险预测方法的流程图。
具体实施方式
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描述。
由于本方案实现冻害风险预测的核心在于冻害风险预测模型,为了便于对本方案的理解,此处先对冻害风险预测模型的构建进行介绍。
请参阅图1,图1为本申请实施例提供的构建冻害风险预测模型的流程图。
在本实施例中,构建冻害风险预测模型可以包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15。
首先,可以进行步骤S11。
步骤S11:获取天气数据集,其中,所述天气数据集中包含山地果园区域在多年的冻害风险时期内每天的天气数据。
在本实施例中,可以从综合气象信息共享平台获取天气数据集,天气数据集中包含山地果园区域在多年的冻害风险时期内每天的天气数据,共
获得天气数据集后,可以进一步执行步骤S12。
步骤S12:基于同一冻害风险时期内连续
为了便于预测,本方案对天气数据集中的天气数据进行处理,处理为数据样本,便于机器学习模型的训练,从而构建冻害风险预测模型。
在本实施例中,可以基于同一冻害风险时期内连续
例如,利用7天的历史天气数据,预测后续3天的天气数据,那么,
得到样本集合
步骤S13:基于每个数据样本的预测部分或验证部分,将样本集合
在本实施例中,针对样本集合
可以先判断数据样本的验证部分是否存在当日最低温度低于设定温度(例如-3℃,-4℃,-2℃等,根据山地果园内果树的不同,这个设定温度可以有浮动,根据实际需要设定)的I类天气特征。
若存在I类天气特征,将此数据样本划分为I类样本。
若不存在I类天气特征,可以进一步判断数据样本的预测部分是否存在至少连续
若存在II类天气特征,将此数据样本划分为II类样本。
若不存在II类天气特征,则将此数据样本划分为III类样本。
然后,可以将所有I类样本合并为一个I类样本子集,所有II类样本合并为一个II类样本子集,以及,将所有III类样本合并为一个III类样本子集。由于冻害天气相对较少,本方案中I类样本子集、II类样本子集和III类样本子集之间的比例大致为1.5:2.5:16。因此,I类样本子集、II类样本子集和III类样本子集之间存在非常明显的样本失衡。
为了尽可能减少样本失衡的影响,可以进行步骤S14。
步骤S14:基于样本抽样策略对每个样本子集进行抽样,以抽样样本构建新的样本集合
在本实施例中,为了减少样本失衡带来的影响,需要增加I类样本子集中样本的数量,因此,可以对I类样本子集进行过抽样,得到
示例性的,I类样本子集包含
针对
从簇
“一带一”样本抽取具体为:从簇
以及,可以从簇
在本实施例中,簇
, (1)
其中,
为了提高区分度,从而提高聚类效果,簇
, (2)
其中,
这样,最终得到
,(3)
其中,
在本实施例中,为了减少样本失衡带来的影响,同样需要增加II类样本子集中样本的数量,因此,可以对II类样本子集进行过抽样,得到
示例性的,II类样本子集可以包含
针对
可以从簇
簇
, (4)
其中,
簇
,(5)
其中,
这样,最终得到
, (6)
其中,
在本实施例中,由于III类样本子集中数据样本的数量较多,可以对III类样本子集进行欠抽样,得到
示例性的,III类样本子集包含
针对
从簇
簇
, (7)
其中,
簇
, (8)
其中,
最终得到
,(9)
其中,
那么,经过对I类样本子集、II类样本子集和III类样本子集的抽样后,得到的I类抽样样本(约3.4
之后,为了提升对冻害风险的识别准确性,可以对
,(10)
其中,
而
, (11)
初始时刻所有样本的权重为:
, (12)
每次迭代完成后对所有样本的权重进行归一化。
之后,可以将
得到样本集合
步骤S15:利用样本集合
在本实施例中,可以利用样本集合
基于此,可以运行基于机器学习的山地果园冻害风险预测方法。
请参阅图2,图2为本申请实施例提供的一种基于机器学习的山地果园冻害风险预测方法的流程图。基于机器学习的山地果园冻害风险预测方法可以包括步骤S21、步骤S22和步骤S23。
为了实现对山地果园的冻害风险预测,可以执行步骤S21。
步骤S21:获取山地果园区域在过去
示例性的,可以从综合气象信息共享平台山地果园区域在过去
之后,可以执行步骤S22。
步骤S22:将所述输入数据输入至训练好的冻害风险预测模型中,得到所述冻害风险预测模型输出的冻害风险预测结果。
在本实施例中,可以将输入数据输入至训练好的冻害风险预测模型中,而冻害风险预测模型可以基于输入数据进行冻害风险预测,得到冻害风险预测结果并输出。
得到冻害风险预测结果后,可以执行步骤S23。
步骤S23:基于所述冻害风险预测结果,生成冻害风险提示信息。
在本实施例中,如果冻害风险预测结果显示存在冻害风险,可以生成提示信息(例如信息、声光提示等);如果冻害风险预测结果显示不存在冻害风险,即可提示用户,不存在冻害风险。
综上所述,本方案提供一种基于机器学习的山地果园冻害风险预测方法:
1.本方案利用山地果园区域在过去
2.利用当日最低温度低于设定温度的I类天气特征、数据样本的预测部分至少连续
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
- 一种基于GLM及机器学习算法的车险纯风险保费预测方法及装置
- 一种基于机器学习的预测新冠肺炎患者风险分层的方法