【技術實現步驟摘要】
本專利技術屬于農業與計算機交叉領域，具體涉及一種農作物單產預測方法、系統、設備及介質。
技術介紹
1、準確預測糧食單產對區域糧食安全至關重要，如何提高預測精度是當前面臨的技術難題。
2、現有研究主要通過統計模型或機器學習模型來模擬或預測糧食單產，分析其主要驅動因素。傳統的統計模型，如多元回歸模型能夠利用農產品的播種面積、施肥量、氣候要素等統計數據擬合農產品的單產，然而，這類模型只能考慮統計數據之間的線性關系，對于非線性關系無能為力，限制了模型的擬合精度。機器學習模型解決了傳統統計模型在非線性關系上的缺陷，但機器學習模型的輸入數據僅考慮了自變量與因變量之間的兩兩關系(直接關系)，無法考慮一個自變量如何通過另一個自變量影響因變量(間接關系)，從而導致農作物單產的預測精度較低。
3、綜上所述，現有的農作物單產預測方法存在預測精度低的問題。
技術實現思路
1、為了克服農作物單產預測精度低的問題，本專利技術提供了一種農作物單產預測的方法，包括如下步驟：
2、確定影響研究區農作物單產的潛變量和觀測變量；建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，根據指向關系構建初始pls-sem模型；所述觀測變量為農業統計數據和遙感數據；所述潛變量為通過觀測變量計算得到的量；
3、計算表征初始pls-sem模型的觀測變量和潛變量關系的因子權重w和因子載荷i的初始值，以及潛變量之間的路徑系數r的初始值；獲取在因子權重w、因子載荷i和路徑系數r的初始值
4、通過最終的pls-sem模型的觀測變量的權重計算對應的潛變量的得分，將潛變量的得分輸入最小二乘支持向量機模型pso-lssvm，得到農作物單產的預測值。
5、優選的，所述建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，得到初始pls-sem模型，包括如下步驟：
6、定義初始pls-sem模型的潛變量關系矩陣，具體為：所述潛變量包括農作物單產、農作物需求、氣候條件和人類活動，根據農作物單產受農作物需求、氣候條件和人類活動的直接影響，農作物需求通過直接影響人類活動對農作物單產產生間接影響，氣候條件通過直接影響人類活動對農作物單產產生間接影響，建立潛變量之間的指向關系，得到潛變量關系矩陣；
7、設置潛變量關系矩陣中的每個潛變量對應的觀測變量，具體為：設置農作物單產的觀測變量為單位面積產量，設置農作物需求的觀測變量為農作物消費量、gdp、人口數和農作物出口量，設置氣候條件的觀測變量為降水、蒸散發、最高溫和最低溫，設置人類活動的觀測變量為n、p2o5、k2o和根系水；
8、將潛變量與觀測變量之間的路徑的箭頭指向觀測變量，得到初始pls-sem模型；
9、優選的，所述將潛變量的得分輸入最小二乘支持向量機模型pso-lssvm之前，還包括利用粒子群優化算法對最小二乘支持向量機模型pso-lssvm進行訓練，包括如下步驟：
10、將最終的pls-sem模型的多個潛變量的得分作為pso-lssvm的輸入項，將農作物單產的統計值作為pso-lssvm的輸出項；
11、基于matlab平臺，將輸入項和輸出項的數據集導入pso-lssvm，隨機給出一對第一代參數c和θ，將第一代參數c和θ代入pso-lssvm的徑向基函數；
12、利用pso-lssvm的輸入項和輸出項數據訓練一代參數c和θ，并利用訓練后的pso-lssvm模型預測農作物單產；
13、以農作物單產的預測值與統計值的誤差變小為目標調整第一代參數c和θ，記錄第一代誤差，并使用調整后得到的第二代參數c和θ置換pso-lssvm的第一代參數c和θ；
14、重復農作物單產預測過程，進行多次迭代，篩選農作物單產的預測值與統計值的誤差最小的c和θ，得到優化后的c和θ；
15、將優化后的c和θ對應的pso-lssvm作為訓練好的pso-lssvm。
16、優選的，所述參數c和θ的范圍分別設為[0.1,500]和[0.1,100]，每次迭代時參數變化的單位為0.1。
17、優選的，每個所述潛變量的得分的計算方法具體為：
18、對每個潛變量的多個觀測變量的值進行標準化處理；
19、將標準化處理后的每個潛變量的多個觀測變量的值與觀測變量的因子權重w先相乘，再相加求和；輸入最小二乘支持向量機模型pso-lssvm中的多個潛變量的得分包括農作物需求得分、氣候條件得分和人類活動得分。
20、優選的，所述擬合優度指標gof的閾值為大于0.4。
21、本專利技術還提供有一種農作物單產預測系統，包括：
22、初始模型構建模塊，用于確定影響研究區農作物單產的潛變量和觀測變量；建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，根據指向關系構建初始pls-sem模型；所述觀測變量為農業統計數據和遙感數據；所述潛變量為通過觀測變量計算得到的量；
23、模型優化模塊，用于計算表征初始pls-sem模型的觀測變量和潛變量關系的因子權重w和因子載荷i的初始值，以及潛變量之間的路徑系數r的初始值；獲取在因子權重w、因子載荷i和路徑系數r的初始值的條件下，用于評價初始pls-sem模型整體擬合效果的擬合優度指標gof的值；判斷擬合優度指標gof的值是否達到設定閾值，若否，對初始pls-sem模型進行因子分析，去除初始pls-sem模型的無效觀測變量、無效潛變量及潛變量之間的無效路徑，并對因子權重w、因子載荷i和路徑系數r的初始值進行迭代更新，直至更新后的值對應的擬合優度指標gof的值達到設定閾值，得到最終的pls-sem模型；
24、產量預測模塊，用于通過最終的pls-sem模型的觀測變量的權重計算對應的潛變量的得分，將潛變量的得分輸入最小二乘支持向量機模型pso-lssvm，得到農作物單產的預測值。
25、本專利技術還提供有一種計算機設備，包括存儲器和處理器；所述存儲器存儲有計算機程序，所述處理器用于運行所述存儲器內的計算機程序，以執行所述農作物單產預測方法。
26、本專利技術還提供有一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行所述農作物單產預測方法。
27、本專利技術提供的農作物單產預測方法具有以下有益效果：
28、本專利技術通過建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，能夠構建初始pls-s本文檔來自技高網...
【技術保護點】
1.一種農作物單產預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的農作物單產預測方法，其特征在于，所述建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，得到初始PLS-SEM模型，包括如下步驟：
3.根據權利要求1所述的農作物單產預測方法，其特征在于，所述將潛變量的得分輸入最小二乘支持向量機模型PSO-LSSVM之前，還包括利用粒子群優化算法對最小二乘支持向量機模型PSO-LSSVM進行訓練，包括如下步驟：
4.根據權利要求3所述的農作物單產預測方法，其特征在于，所述參數c和θ的范圍分別設為[0.1,500]和[0.1,100]，每次迭代時參數變化的單位為0.1。
5.根據權利要求2所述的農作物單產預測方法，其特征在于，所述潛變量的得分的計算方法具體為：
6.根據權利要求1所述的農作物單產預測方法，其特征在于，所述擬合優度指標GOF的閾值為大于0.4。
7.一種農作物單產預測系統，其特征在于，包括：
8.一種計算機設備，其特征在于，包括存儲器和處理器；所述存儲器存儲有計算機程
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行權利要求1-6任一項所述的農作物單產預測方法。
...【技術特征摘要】
1.一種農作物單產預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的農作物單產預測方法，其特征在于，所述建立觀測變量與潛變量的指向關系、潛變量與潛變量的指向關系，得到初始pls-sem模型，包括如下步驟：
3.根據權利要求1所述的農作物單產預測方法，其特征在于，所述將潛變量的得分輸入最小二乘支持向量機模型pso-lssvm之前，還包括利用粒子群優化算法對最小二乘支持向量機模型pso-lssvm進行訓練，包括如下步驟：
4.根據權利要求3所述的農作物單產預測方法，其特征在于，所述參數c和θ的范圍分別設為[0.1,500]和[0.1,100]，每次迭代時參數變化的單位為0.1。
<...【專利技術屬性】
技術研發人員：馬慶濤，尚國琲，李彥蒼，秦嶺，李召良，冷佩，楊艷敏，張霞，郭愛請，齊菲，朱德明，
申請(專利權)人：河北地質大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。