[发明专利]一种农作物产量预测方法及系统

权利要求书

1.一种农作物产量预测方法，其特征在于，所述预测方法包括如下步骤：

获取多个采样点的农作物全生育期的遥感影像和气象数据；

根据每个采样点的遥感影像获取每个采样点的农作物的生长状态信息数据；所述生长状态信息数据包括农作物反射率、归一化差值植被指数、比值植被指数、增强植被指数、绿度植被指数和FPAR值；

建立包括生长状态信息数据、气象数据和实测的农作物产量数据的第一特征变量数据集；并将所述第一特征变量数据集划分为第一特征变量训练集和第一特征变量验证集；

对所述第一特征变量数据集进行相关性分析，获取相关系数大于相关系数阈值的特征变量组成的第二特征变量数据集；并将所述第二特征变量数据集划分为第二特征变量训练集和第二特征变量验证集；

对所述第二特征变量数据集进行主成分分析，获取所述第二特征变量数据集中的主成分变量组成的第三特征变量数据集；并将所述第三特征变量数据集划分为第三特征变量训练集和第三特征变量验证集；

对所述第二特征变量数据集进行重要性分析，获取重要性大于重要性阈值的特征变量组成的第四特征变量数据集；并将所述第四特征变量数据集划分为第四特征变量训练集和第四特征变量验证集；

分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型；

分别利用第一特征变量验证集、第二特征变量验证集、第三特征变量数据集和第四特征变量验证集，对四个所述产量预测决策树模型进行验证，将所述验证误差最小的产量预测决策树模型作为最优产量预测决策树模型；

利用所述最优产量预测决策树模型对农作物的产量进行预测；

所述分别利用第一特征变量训练集、第二特征变量训练集、第三特征变量数据集和第四特征变量训练集建立并训练得到四个产量预测决策树模型，具体包括：

从第i个特征变量训练集中有放回的抽取K个训练样本集，得到K个训练样本集；i＝1，2，3，4；

建立K个决策树；

分别利用K个训练样本集对K个所述决策树进行分割，得到K个分割后的决策树；

分别将K个所述训练样本输入K个所述分割后的决策树进行产量预测，得到K个产量预测结果；

计算K个产量预测结果的平均值，作为预测产量；

计算预测产量和实际产量的差值的平方，得到预测误差；

判断本次迭代的预测误差与上一次迭代的预测误差的差值是否小于误差变化阈值，得到第一判断结果；

若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值小于误差变化阈值，则输出K个所述分割后的决策树，作为第i个特征变量训练集生成的产量预测决策树模型；

若所述第一判断结果表示本次迭代的预测误差与上一次迭代的预测误差的差值不小于误差变化阈值，则使K的数值增加1，返回步骤“从第i个特征变量训练集中有放回的抽取K个训练样本集，得到K个训练样本集和K个袋外数据集”，进行下一次迭代计算；

所述分别利用K个训练样本集对K个所述决策树进行分割，得到K个分割后的决策树，具体包括：

将第k个训练样本集设置为待分类样本集；从待分类样本集中无放回的抽取M_k个特征变量；k＝1，2，3，...，K；

分别利用M_k个特征变量将待分类样本集分为两个训练样本子集，得到M_k个分类结果；

分别计算M_k个分类结果中每个分类结果的两个训练样本子集的均方差的和，得到M个分割均方差；

选取分割均方差最小的分类结果对决策树进行分割，得到分割后的决策树；

判断是否分割到叶子节点，得到第二判断结果；

若所述第二判断结果表示分割到叶子节点，则输出所述分割后的决策树，作为第k个训练样本集分割后的决策树；

若所述第二判断结果表示没有分割到叶子节点，则将分割均方差最小的分类结果的两个训练样本子集分别设置为两个所述待分类样本集，返回步骤“分别利用M_k个特征变量将待分类样本集分为两个训练样本子集，得到M_k个分类结果”。