本申请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天的天气数据，进一步生成输入数据；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；基于所述冻害风险预测结果，生成冻害风险提示信息。成冻害风险提示信息。成冻害风险提示信息。
【技术实现步骤摘要】
一种基于机器学习的山地果园冻害风险预测方法
[0001]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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]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。
[0006]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天的天气数据，进一步生成输入数据；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；基于所述冻害风险预测结果，生成冻害风险提示信息。
[0007]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天的天气数据，生成一个数据样本，从而得到包含所有数据样本的样本集合，其中，，每个数据样本中前天的天气数据作为预测部分，后天的天气数据作为验证部分；基于每个数据样本的预测部分或验证部分，将样本集合划分为多个样本子集；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；利用样本集合作为机器学习模型的训练集，训练得到冻害风险预测模型。
[0008]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，将样本集合划分为多个样本子集，包括：针对所述样本集合中的每个数据样本：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，进一步判断数据样本的预测部分是否存在至少连续天的当日低温持续时长达到设定时长的II类天气特征；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，将此数据样本划分为III类样本；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。
[0009]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，包括：对所述I类样本子集进行过抽样，得到个I类抽样样本；对所述II类样本子集进行过抽样，得到个II类抽样样本；对所述III类样本子集进行欠抽样，得到个III类抽样样本；将个I类抽样样本、个II类抽样样本和个III类抽样样本进行合并，得到新的样本集合。
[0010]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类样本子集包含个样本，对所述I类样本子集进行过抽样，得到个I类抽样样本，包括：对所述I类样本子集进行k
‑
means聚类，聚类为个簇；针对个簇中的每个簇：从簇中进行次“一带一”样本抽取，并将每次“一带一”抽取的样本进行融合，得到一个新的样本，共计得到个新样本，其中，“一带一”样本抽取为：从簇中抽取一个基准样本，以及，从簇中抽取一个附加样本，其中，次基准样本按照遍历的方式进行抽取，附加样本按照随机的方式进行抽取，且附加样本与基准样本非同一样本；从簇中进行次“多合一”样本抽取，并将每次“多合一”样本抽取的样本进行融合，得到一个新的样本，共计得到个新样本，其中，“多合一”样本抽取为：从簇中按照随机的方式抽取多个样本；最终得到个I类抽样样本，其中，，其中，为所述I类样本子集的样本数量，为“一带一”新样本数量，为“多合一”新样本数量。
[0011]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，簇中的“一带一”样本抽取过程中，抽取附加样本时，每个样本被抽取的概率，以及，“多合一”样本抽取过程中，每个样本被抽取的概率满足：，其中，表示簇中第个样本被抽取的概率，表示簇中样本与簇中心之间
的最远距离，表示簇中第个样本与簇中心之间的距离，为簇中样本除基准样本之外的总量；簇中两个样本之间的距离计算公式为：，其中，表示两个样本之间的距离，为尺度参数，为样本的属性总数，为样本的第个属性，为样本的第个属性，为的转置。
[0012]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类样本子集包含个样本，对所述II类样本子集进行过抽样，得到个II类抽样样本，包括：对所述II类样本子集进行k
‑
means聚类，聚类为个簇；针对个簇中的每个簇：从簇中进行次“一带多”样本抽取，并将每次“一带多”抽取的样本进行融合，得到一个新的样本，共计得到个新样本，其中，“一带多”样本抽取为：从簇中抽取一个基准样本，以及，从簇中抽取多个附加样本，其中，次基准样本按照遍历的方式进行抽取，多个附加样本按照随机的方式进行抽取，且附加样本与基准样本非同一样本；最终得到个II类抽样样本，其中，，其中，为所述II类样本子集的样本数量，为“一带多”新样本数量。
[0013]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，簇中的“一带多”样本抽取过程中，抽取附加样本时，每个样本被抽取的概率满足：，其中，表示簇中第个样本被抽取的概率，表示簇中样本与簇中心之间的最远距离，表示簇中第个样本与簇中心之间的距离，为簇中样本除基准样本之外的总量；簇中两个样本之间的距离计算公式为：，其中，表示两个样本之间的距离，为尺度参数，为样本的属性总数，为样本的第个属性，为样本的第个属性，为的转置。
[0014]结合第一方面的第三种可能的实现方式，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的山地果园冻害风险预测方法，其特征在于，包括：获取山地果园区域在过去 天的天气数据，进一步生成输入数据；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；基于所述冻害风险预测结果，生成冻害风险提示信息。2.根据权利要求1所述的基于机器学习的山地果园冻害风险预测方法，其特征在于，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天的天气数据，生成一个数据样本，从而得到包含所有数据样本的样本集合，其中，，每个数据样本中前天的天气数据作为预测部分，后天的天气数据作为验证部分；基于每个数据样本的预测部分或验证部分，将样本集合划分为多个样本子集；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；利用样本集合作为机器学习模型的训练集，训练得到冻害风险预测模型。3.根据权利要求2所述的基于机器学习的山地果园冻害风险预测方法，其特征在于，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，将样本集合划分为多个样本子集，包括：针对所述样本集合中的每个数据样本：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，进一步判断数据样本的预测部分是否存在至少连续天的当日低温持续时长达到设定时长的II类天气特征；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，将此数据样本划分为III类样本；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。4.根据权利要求3所述的基于机器学习的山地果园冻害风险预测方法，其特征在于，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，包括：对所述I类样本子集进行过抽样，得到个I类抽样样本；对所述II类样本子集进行过抽样，得到个II类抽样样本；对所述III类样本子集进行欠抽样，得到个III类抽样样本；将个I类抽样样本、个II类抽样样本和个III类抽样样本进行合并，得到新的样本集合。5.根据权利要求4所述的基于机器学习的山地果园冻害风险预测方法，其特征在于，所述I类样本子集包含个样本，对所述I类样本子集进行过抽样，得到个I类抽样样本，包括：
对所述I类样本子集进行k
‑
means聚类，聚类为个簇；针对个簇中的每个簇：从簇中进行次“一带一”样本抽取，并将每次“一带一”抽取的样本进行融合，得到一个新的样本，共计得到个新样本，其中，“一带一”样本抽取为：从簇中抽取一个基准样本，以及，从簇中抽取一个附加样本，其中，次基准样本按照遍历的方式进行抽取，附加样本按照随机的方式进行抽取，且附加样本与基准样本非同一样本；从簇中进行次“多合一”样本抽取，并将每次“多合一”样本抽取的样本进行融合，得到一个新的样本，共计得到个新样本，其中，“多合一”样本抽取为：从簇中按照随机的方式抽取多个样本；最终得到个I类抽样样本，...
【专利技术属性】
技术研发人员：黄招娣，周新兴，王龙，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。