基于机器学习的水稻发育期预测模型构建

采用机器学习中的支持向量机(SVM)方法,建立以适应区域尺度生产指导为目的的水稻发育期预测模型。通过整合水稻发育期数据和气象数据,构建训练集与测试集,并应用SVM算法建立针对5个不同发育阶段,应用2种不同样本构建方法的10个发育期预测模型。对其逐一进行评估,最终挑选出具有最佳预测效果的模型作为研究成果。结果表明:采用第1类样本(提前150d的样本)生成策略的5个发育期模型,其预测精度均大于80%,甚至达到95%的水平;而采用第2类样本(提前30d的样本)生成策略的5个发育期模型,其精度普遍在80%左右。与此同时,对这2种样本构建方法分别进行了敏感性及假阳性比较。结果表明:虽前者敏感性高于后者,但其假阳性也高,预测误差在9d左右,而第2类样本的预测误差则能控制在4～5d内,更符合模型构建的要求。采用第2类样本生成策略进行发育期模型的研究可获得更准确的预测结果。