[发明专利]一种基于XGBoost的温室滴灌番茄腾发量计算方法

说明书

本发明属于温室腾发量计算技术领域，具体涉及一种基于XGBoost的温室滴灌番茄腾发量计算方法。该方法基于8个气象因子辐射Rn、平均气温Ta、最小气温Ta_min、最大气温Ta_max、平均相对湿度RH、最小湿度RH_min、最大湿度RH_max以及风速V与ET的关系构建出温室番茄ET预测模型，并根据所有自变量的特征重要性和排列重要性进行分析进行消融试验，优选出模型的输入变量，从而得到预测精度高的预测模型来计算ET值。该方法可以有效保证模型的有效性，提高ET预测精度。

技术领域

本发明属于温室腾发量计算技术领域，具体涉及一种基于XGBoost的温室滴灌番茄腾发量计算方法。

背景技术

准确估算温室作物的蒸发蒸腾量(ET)是科学制定温室灌溉制度的有效依据，以往研究认为解决这一问题的有效方法是建立腾发量数学模型。然而温室作物腾发量ET的监测受到诸多条件的限制，且温室内影响ET的因素较多，ET的计算方法和适用条件不尽相同。目前有关温室作物ET的计算方法主要有经验公式法和现代数学算法。

其中，经验公式法主要是根据能量平衡和水汽扩散原理建立的基于气象因子的腾发量预测模型，其操作性较强，应用较为广泛，目前主要有单源Penman-Monteith(P-M)模型、双源Shuttle-Wallace(S-W)模型、以能量为基础的Priestley-Taylor模型和双作物系数法。此类模型研究在一定程度上为温室作物腾发量的预测提供了参考，但模型本身仍然存在一些不足，例如，经验公式法在求解过程中需要的参数较多，模型对辐射加热效率、显热交换系数及辐射有关参数的取值较为敏感，也会影响预测精度。

而采用机器学习等现代数学算法进行作物腾发量的数值计算，将已有气象数据输入机器学习模型中进行非线性关系分析，找到最优拟合路径并记忆，将最优路径作为预报模型，进行数值计算和图像显示，此类方法拥有用时短、精度高、泛化性能好等优点。但此类模型本身也存在一些不足，例如，支持向量回归模型大规模训练样本速度慢，对缺失数据、参数、核函数敏感；神经网络对样本数量要求较高；Adaboost算法依赖的弱分类器训练时间往往很长；随机森林算法在一定条件下可能欠拟合等问题。

发明内容

针对目前现在数学算法计算腾发量存在的缺陷和问题，本发明提供一种基于XGBoost的温室滴灌番茄腾发量计算方法。

本发明解决其技术问题所采用的方案是：一种基于XGBoost的温室滴灌番茄腾发量计算方法，包括以下步骤：

步骤一、定时监测并采集温室内的太阳净辐射Rn、相对湿度RH、空气温度Ta和风速V，每隔时间t计算一次各项指标的平均值存储于数据采集器中；并选取太阳净辐射Rn、相对湿度平均值RH、相对湿度最大值RH_max、相对湿度最小值RH_min、空气温度平均值Ta、空气温度最大值Ta_max、空气温度最小值Ta_min以及风速V的日平均值作为影响因子；

步骤二、分析影响ET的各项指标的相关性，根据相关性结果确定自变量因素，然后计算ET实测值的日平均值作为因变量构建XGBoost模型；

步骤三、对样本数据进行标准化处理并随机打乱按比例分配分别作为训练集和测试集，以训练集对模型进行训练和调优，并以测试集对训练好的模型进行验证，得到预测模型用于计算ET值，

式中：为前面t-1棵树优化后的模型预测值，y_i为实测值，f_t(x_i)为新加入的第t棵树所得分值，Ω(f_t)表示第t棵树的正则项，constant表示前面t-1棵树的正则化项之和。