基于机器学习模型的叶龄预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116030345A(43)申请公布日2023.04.28(21)申请号202211731181.6G06N20/00(2019.01)(22)申请日2022.12.30(71)申请人黑龙江省农垦科学院地址150050黑龙江省哈尔滨市香坊区香福路101号申请人武汉大学(72)发明人任志鹏曾文治何杰敖畅雷国庆闫立衡尹鹏(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师罗敏清(51)Int.Cl.G06V20/10(2022.01)G06V20/13(2022.01)G06V10/774(2022.01)权利要求书1页说明书8页附图1页(54)发明名称基于机器学习模型的叶龄预测方法(57)摘要本发明公开了一种基于机器学习模型的叶龄预测方法，包括如下步骤：测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；构建用于预测作物叶龄的LightGBM模型和CatBoost模型，并采样训练集、验证集和测试集对上述模型的参数进行率定验证，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄。本发明省去了繁复的人工抽样，通过获取的遥感影像数据就可以得到作物的叶龄数据，大大节省了人力物力。CN116030345ACN116030345A权利要求书1/1页1.一种基于机器学习模型的叶龄预测方法，其特征在于，包括如下步骤：步骤1，测量获取研究区作物的叶龄数据、遥感影像数据，并对遥感影像数据进行处理，将处理后的遥感影像数据以及叶龄数据划分为训练集、验证集和测试集；步骤2，构建用于预测作物叶龄的LightGBM模型和CatBoost模型，采用训练集分别训练LightGBM模型和CatBoost模型的模型参数并在验证集上进行验证，最后采用测试集分别对验证后的LightGBM模型和CatBoost模型的模型参数进行精度评价，优选出精度最高的模型参数作为优化后的LightGBM模型和CatBoost模型的模型参数；步骤3，采用贝叶斯模型平均算法BMA将优化后的LightGBM模型和CatBoost模型进行融合，并采用融合后的模型预测叶龄。2.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，采用抽样法在作物生长的多个时间点观测叶龄数据。3.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤1中，对遥感影像数据进行处理计算获得植被指数、叶面积指数LAI以及作物蒸发蒸腾速率ET。4.根据权利要求3所述的基于机器学习模型的叶龄预测方法，其特征在于，植被指数包括差值环境植被指数DVI、地表水分指数LSWI、归一化植被指数NDVI、比值植被指数RVI、土壤调节植被指数SAVI和三角植被指数TVI。5.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤2中，LightGBM模型的模型参数包括迭代次数、迭代学习率和是否选择使用随机树。6.根据权利要求5所述的基于机器学习模型的叶龄预测方法，其特征在于，根据是否选择使用随机树将LightGBM模型分为LightGBMXT模型和LightGBM模型，其中，LightGBMXT模型选择使用随机树，LightGBM模型不使用随机树。7.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，CatBoost模型的模型参数包括最大决策树数量和学习率。8.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，精度评价指标包括决定系数R2和均方根误差RMSE。9.根据权利要求1所述的基于机器学习模型的叶龄预测方法，其特征在于，步骤3具体方法为：运用BMA算法计算各模型的后验概率，再依据后验概率等比例赋予各模型权重；在叶龄预测时，将输入特征数据分别输入到各模型中对叶龄进行预测，依据BMA算法得到的权重对各模型的叶龄预测结果进行加权求和，得到最终的叶龄预测结果。10.根据权利要求9所述的基于机器学习模型的叶龄预测方法，其特征在于，后验概率的计算方法为：式中，Ns为集成模型个数，R为各观测值的观测多次结果的均方根误差，y0为观测值，yk为模型预测值。2CN116030345A说明书1/8页基于机器学习模型的叶龄预测方法技术领域[0001]本发明属于农业的技术领域，具体涉及一种基于机器学习模型的叶龄预测方法。背景技术[0002]水稻是中国主要的粮食作物，其种植区域广、品种类型多。水稻品种生育期受种植地温度和日照长度的影响，同一品种在不同地区和季节种植生育