本發(fā)明屬于參考作物蒸散量預(yù)測，具體涉及一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法。

背景技術(shù)：

1、精準灌溉是提升作物產(chǎn)量與品質(zhì)的關(guān)鍵措施，同時也是優(yōu)化水資源利用的核心途徑。在傳統(tǒng)灌溉管理中，農(nóng)戶憑借經(jīng)驗灌溉，常導致過度用水，既浪費水資源，還不利于作物生長。蒸散量是評估作物耗水量的重要指標，涉及土壤蒸發(fā)和作物蒸騰過程。因此，準確獲取作物蒸散量對于計算作物需水量、作物灌溉調(diào)度以及水土保持等領(lǐng)域具有重要意義。

2、盡管采用稱重式蒸滲儀或渦度相關(guān)系統(tǒng)測量作物蒸散量是一種直接有效的方法，但這些方法存在儀器制造和維護成本高昂的缺點。針對此問題，彭曼-蒙蒂斯公式(penman-monteith,p-m)被聯(lián)合國糧食及農(nóng)業(yè)組織視為通過計算參考作物蒸散量(et0)來估算農(nóng)田蒸散量的標準方法。然而，p-m公式需要輸入的氣象因素較多，且計算復雜，導致該公式的應(yīng)用與推廣受到了限制。因此，有必要開發(fā)一個在使用盡可能少的氣象因素輸入下，仍能實現(xiàn)較高預(yù)測精度的et0模型。

3、輕量級梯度提升機(lightgbm)是一種基于梯度提升決策樹(gbdt)的改進集成學習算法，與其他機器學習算法相比，lightgbm具有卓越的計算速度和對復雜高維數(shù)據(jù)的準確回歸計算，能較好的擬合氣象因素與et0間復雜的非線性關(guān)系，并具有較好的特征提取能力。然而，lightgbm算法模型的性能受到自身超參數(shù)以及輸入數(shù)據(jù)分布的影響。因此，如何高效調(diào)整模型超參數(shù)和確定模型輸入因素，實現(xiàn)精準預(yù)測et0，就成了迫切需要解決的技術(shù)難題。

技術(shù)實現(xiàn)思路

1、有鑒于此，為解決上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，所提出的特征選擇方法能夠有效提取對預(yù)測參考作物蒸散量有顯著影響的氣象組合，利用北方蒼鷹優(yōu)化算法(ngo)對lightgbm模型的超參數(shù)進行尋優(yōu)，改進的lightgbm算法能夠精確擬合關(guān)鍵氣象影響因素與et0間復雜的的非線性關(guān)系，實現(xiàn)在有限氣象條件下對et0進行高效、準確的預(yù)測。

2、為實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：

3、一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，包括以下步驟：

4、s1、獲取農(nóng)田中氣象站的歷史氣象數(shù)據(jù)并進行預(yù)處理；

5、s2、采用p-m公式計算得到參考作物蒸散量標準值，作為模型訓練的標簽；

6、s3、基于集成特征選擇方法對s1預(yù)處理后的歷史氣象數(shù)據(jù)進行特征選擇，獲得關(guān)鍵氣象因素；

7、s4、使用s3中特征選擇后的數(shù)據(jù)訓練lightgbm模型，并利用北方蒼鷹優(yōu)化算法對lightgbm模型的超參數(shù)進行尋優(yōu)，構(gòu)建ngo-lightgbm預(yù)測模型；

8、s5、實時采集氣象數(shù)據(jù)，用與s1相同的數(shù)據(jù)預(yù)處理方法對實時氣象數(shù)據(jù)進行處理；

9、s6、根據(jù)s3中選擇的關(guān)鍵氣象因素將s5預(yù)處理后的氣象數(shù)據(jù)輸入到ngo-lightgbm預(yù)測模型，得到參考作物蒸散量預(yù)測結(jié)果。

10、進一步地，所述s1的預(yù)處理包括對缺失值和異常值的檢測與處理，以及對數(shù)據(jù)進行歸一化。

11、進一步地，所述s3中基于集成特征選擇方法進行特征選擇，包括以下內(nèi)容：

12、s31、設(shè)通過氣象站收集的氣象因素作為特征構(gòu)成的向量為j＝(t1,t2,...,tn)t，其中n表示特征的數(shù)量，ti表示第i個特征；

13、s32、所述集成特征選擇方法包括m種特征選擇方法，m＝1,2,...,m，特征ti在每一個特征選擇方法中重要性分數(shù)進行取值，則第m種方法的特征選擇結(jié)果為jm，jm＝(tm1,tm2,...,tmn)t，將以上所有特征選擇方法的結(jié)果組合，構(gòu)建特征選擇矩陣t；

14、s33、對以上重要性分數(shù)進行歸一化處理；

15、s34、對特征選擇矩陣t的每一行進行求和，得到n個值并按降序排列，排名靠前的特征即為重要特征，最后根據(jù)排名構(gòu)建重要輸入組合。

16、更進一步的，所述特征選擇矩陣t為：

17、

18、其中，矩陣t的一列代表所有氣象因素在某種特征選擇方法下得到的結(jié)果。

19、進一步地，所述s4中利用北方蒼鷹優(yōu)化算法(ngo)對lightgbm模型的超參數(shù)進行尋優(yōu)，包括以下子步驟：

20、s41、將lightgbm模型的超參數(shù)作為待優(yōu)化目標，確定ngo算法的迭代次數(shù)(t)、總體成員數(shù)量(n)、求解問題維度和超參數(shù)優(yōu)化界限；

21、s42、ngo算法隨機初始化；

22、s43、第一階段，在最初狩獵階段，北方蒼鷹隨機找到一個目標，然后迅速攻擊它；此階段包括對搜索空間進行全局搜索，以發(fā)現(xiàn)最佳區(qū)域；

23、s44、第二階段，當獵物受到北方蒼鷹的攻擊后，會采取逃跑策略，北方蒼鷹快速鎖定獵物目標并繼續(xù)進行追逐；此階段包括對鎖定的區(qū)域進行局部搜索；

24、s45、在基于第一階段和第二階段的ngo算法更新所有種群成員后，完成算法的迭代，確定種群成員的新值、目標函數(shù)和最佳建議解；

25、s46、繼續(xù)迭代更新種群成員，達到迭代次數(shù)時，位于最終的獵物位置的北方蒼鷹位置為優(yōu)化后的最優(yōu)解；

26、s47、基于步驟s46得到lightgbm模型的最優(yōu)超參數(shù)，建立ngo-lightgbm參考作物蒸散量預(yù)測模型。

27、本發(fā)明的有益效果是：

28、本發(fā)明提出的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，通過引入北方蒼鷹優(yōu)化算法，可在lightgbm訓練過程中模擬北方蒼鷹的捕食行為，智能地調(diào)整lightgbm的超參數(shù)權(quán)重，從而確定最優(yōu)超參數(shù)，精確擬合關(guān)鍵氣象影響因素與et0間復雜的的非線性關(guān)系；能夠有效解決超參數(shù)調(diào)整方面的難題，提高lightgbm算法的預(yù)測精度，實現(xiàn)在有限氣象條件下對et0進行高效、準確的預(yù)測；

29、進一步提出了一種結(jié)合多種嵌入式特征選擇方法的集成策略，可以在模型訓練過程中自動評估氣象因素對預(yù)測et0的重要性，可有效提取對預(yù)測參考作物蒸散量有顯著影響的氣象因素，提高模型的可解釋性；避免手動選擇特征的主觀性，并克服單一嵌入式方法的結(jié)果依賴具體算法的問題，能夠有效剔除冗余特征，篩選出對預(yù)測et0有顯著影響的關(guān)鍵氣象因素，從而實現(xiàn)在有限氣象條件下對參考作物蒸散量進行高效且準確的預(yù)測。

技術(shù)特征：

1.一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述s1的預(yù)處理包括對缺失值和異常值的檢測與處理，以及對數(shù)據(jù)進行歸一化。

3.根據(jù)權(quán)利要求2所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述s1具體包括以下子步驟：

4.根據(jù)權(quán)利要求1所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述s2中，采用p-m公式計算參考作物蒸散量標準值，公式如下：

5.根據(jù)權(quán)利要求1所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述s3中基于集成特征選擇方法進行特征選擇，包括以下內(nèi)容：

6.根據(jù)權(quán)利要求5所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述特征選擇矩陣t為：

7.根據(jù)權(quán)利要求5所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述m為5，特征選擇方法為隨機森林rf、自適應(yīng)增強adaboost、catboost、梯度提升決策樹gbdt和輕量級梯度提升機lightgbm。

8.根據(jù)權(quán)利要求1所述的一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，其特征在于，所述s4中利用北方蒼鷹優(yōu)化算法對lightgbm模型的超參數(shù)進行尋優(yōu)，包括以下子步驟：

技術(shù)總結(jié)
本發(fā)明公開了一種適用于有限氣象條件的參考作物蒸散量預(yù)測方法，步驟如下：通過氣象站獲取歷史氣象數(shù)據(jù)并進行預(yù)處理；采用P?M公式計算參考作物蒸散量標準值；基于集成特征選擇方法進行重要因素提取，用特征選擇后的數(shù)據(jù)訓練LightGBM模型，使用北方蒼鷹優(yōu)化算法自動確定LightGBM的最優(yōu)超參數(shù)組合，進而得到訓練好的NGO?LightGBM預(yù)測模型；將實時氣象數(shù)據(jù)進行預(yù)處理并根據(jù)前述確定的重要因素輸入模型得到預(yù)測值。本發(fā)明可有效提取對預(yù)測參考作物蒸散量有顯著影響的氣象因素，準確調(diào)整模型內(nèi)部超參數(shù)，精確擬合關(guān)鍵氣象影響因素與ET<subgt;0</subgt;間復雜的的非線性關(guān)系，實現(xiàn)有限氣象條件下對ET<subgt;0</subgt;進行高效、準確的預(yù)測。

技術(shù)研發(fā)人員：周罕覓,馬林爽,蘇裕民,李紀琛,李心平,萬罕立,李辰璐,路思博,李潤澤,陳誠
受保護的技術(shù)使用者：河南科技大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19