[发明专利]一种农作物产量预测方法及系统

说明书

本发明提出了一种农作物产量预测方法及系统。所述农作物产量预测方法首先根据获取的遥感影像和气象数据建立第一特征变量数据集，并进一步的对第一特征变量数据集进行相关性分析、主成分分析和重要性分析，获取第二特征变量数据集、第三特征变量数据集和第四特征变量数据集；然后利用第一特征变量数据集、第二特征变量数据集、第三特征变量数据集和第四特征变量数据集建立四个产量预测决策树模型，然后从四个产量预测决策树模型中选取最优产量预测决策树模型，利用最优产量预测决策树模型进行农作物产量的预测。本发明可以根据预测区域的差别选取最优的产量预测决策树模型，适用于大区域的农作物的产量预测，并提高了产量的预测精度。

技术领域

本发明涉及农作物产量领域，特别是涉及一种农作物产量预测方法及系统。

背景技术

现有的遥感估产方案是根据传统的回归统计方法进行估算的，通过对相关的特征变量与作物实测产量之间进行统计分析，从而建立起产量与特征变量间的相关函数关系，然后利用相关函数关系进行产量的预测，现有的遥感估产方案存在以下两点不足：函数关系简单，区域适用性差而且产量估算精度低。

发明内容

本发明的目的是提供一种农作物产量预测方法及系统，以实现对大区域的农作物产量的高精度预测。

为实现上述目的，本发明提供了如下方案：

一种农作物产量预测方法，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。

可选的，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；