基于随机森林的作物模型光温产量潜力模拟优化方法

为有效降低作物模拟所需数据量,提高计算效率,基于机器学习建立冬小麦光温产量潜力估算模型。以中国冬麦区129个农业气象站点1980—2009年光温产量潜力为研究对象,选择影响光温产量潜力模拟较大的温度、日照时数、经纬度等构建特征变量。选择生长季与月份2个时间范围,基于WheatGrow模型输入输出数据建立生长季变量的随机森林模型(RF_GS)与月份变量的随机森林模型(RF_Mon),最后利用均方根误差(RMSE)评价随机森林模型的性能。结果表明,随机森林模型可在保证模拟精度的前提下降低数据需求量,且RF_GS精度优于RF_Mon;变量重要性检验与部分依赖图分析结果表明,纬度、生长季日照时数、5月日照时数、3月最低温度对光温产量潜力模拟影响较大;若模型验证数据的范围超出训练数据的范围,利用随机森林模型无法保证建模精度。