基于小样本的小麦施氮量预测方法

针对小麦(Triticum aestivum L.)生长周期施肥试验数据少、使用传统预测方法难以进行有效施肥预测的问题,提出一种基于SBS(SMOTE+Bootstrap)数据扩充方法的XGBoost算法预测模型。基于原始的135条施氮量数据划分训练集(80%)和测试集(20%),使用SMOTE方法对训练集和测试集分别进行均衡化处理,以获取更多的特征信息,然后使用Bootstrap方法对均衡化后的数据进行扩充,最后使用XGBoost预测模型进行训练,并与其他机器学习模型进行对比分析。结果表明,使用SMOTE方法均衡数据,较大程度地提高了SBS-XGBoost模型的预测精度,MSE从原始数据的66.802下降至13.027,MAE从原始数据的6.711下降至2.393,R~2从原始数据的0.390上升至0.912。SBS-XGBoost不仅在研究施氮量的预测中表现出色,还能为其他小样本数据的科学预测提供借鉴与参考。