2.
基于
AdaBoost
的
在其他方法中,基于回归的预测模型通过使用历史数据来计算出一
组 说 明 性 特 征 之 间 的 关 系 ( Sharma 等 人 , 2016 年 ; Yin 等 人 ,
1982;Yadav等人,2015; Sellam和Poovammal,2016; Bagirov等人,
2017; Bieliková等人,2014; Salimi等人,2016年)。基于统计和回归
的方法已被广泛用于预测金融数据分析以及作物生产领域的未来趋势在
这项研究中,我们介绍了一个开创性的工作,在农业领域的回归技术的
基础上,预测奥里萨邦沿海地区的Kharif和Rabi季节的水稻产量。
图1说明了实现的流程,其中弱回归技术,如LR,RR,Lasso和
SVR已用于广泛的研究和实验。首先,来自奥里萨邦三个沿海地区的
Kharif和Rabi sea- son的数据集已被预处理,并作为传统/弱回归的输
入。其次,从这些得到的结果进行了分析,那些被错误预测或不匹配的
期望的预测值的实例已被提升使用AdaBoost和弱回归的输出被扭曲,
有利于错误预测的实例自适应地产生强回归。最后,对弱回归模型的结
果进行了分析,并与强回归模型的结果进行了比较和验证。本工作的主
要目的是通过考虑数据集的气候变异性,产生一组适用于作物产量预测
的强回归因子。
3.
试验和模型评估
基于计算机的农业系统模拟模型是现实的抽象,用数学和
Fig. 1.
水稻产量预测自适应推升回归模型的图形摘要。
逻辑术语。由于这些模型从来没有完全代表现实,他们可能是不完美
的。尽管有这个缺点,研究人员正在努力开发和构建模型,试图尽可
能地模拟现实,并可以假设在大多数情况下是有效的。构建此类计算
预测模型的逻辑和机制基于问题识别、数据可用性、逻辑、编程方
法、计算工具、验证和确认以及软件
/
硬件要求。在本节中,详细的
实验进行了讨论。所有的实验都是在
Ubuntu
操作系统上使用
Python
进行的,最小内存为
2 GB
,处理器为
2 GHz
3.1.
数据集说明
收集了Balasore,Puri和Cuttack等不同地区的水稻生产的真实数据
集(农业和粮食生产主任主要有两种类型的水稻生产发生在这些地区,
如:拉比和Kharif全年。影响水稻产量的因素有很多,但气候是最重要
的因素,在气候因素中,
降雨量
、
温度
和
湿度的
影响最大。因此,本文
将这些参数用于预测,并通过各种回归方法建立与水稻产量的关系。
Kharif和Rabi季节分别由一年中的六月至十二月和一月至七月组成两个
季节的数据集特征在所取参数方面差异很大,Kharif季节比Rabi季节更
大,影响作物生长。这些数据集包含一些缺失值,这可能导致数据集不
一致,并且有不同的方法来处理这些缺失值(Han和Kamber,
2006)。在这项工作中,我们考虑了存在缺失值的列中所有值的平均
值。这种技术对不同机器学习技术的性能影响很小,但它比完全避免包
含缺失值的整个样本更好。这两个数据集中的特征可以详细描述如下;特
征是年份、降雨量、最低温度(℃)、最高温度(℃)、上午8时30分
的相对湿度和
5.30
每一年的水稻产量。根据这些参数,在两个季节的预测中不考虑
年份和生产特征,即期望产量。由于
Kharif
季节为
6
月至
12
月,自变
量总 数为
35
,
Rabi
季节 为
1
月至
5
月, 自变 量总 数为
25
。收 集了
1983-2013
年的数据,共包含
31
个数据集的尺寸见表
1
。
3.2.
参数讨论
本节详细介绍了在实验和结果分析期间考虑的各种参数及其各自
的回归技术值(见表
2
)在弱回归量的提升期间,
AdaBoost
考虑的参
数是:基本估计量(即表
2
中提到的任何回归技术),估计量的数量
为
500
,学习率为
0.01
,损失函数
-
最小二乘回归,最大深度为
表1
水稻生产数据集描述。
持续时间(年)
Rabi Kharif
巴拉索尔
1983
普瑞
1983
卡塔克
1983