机器学习和波形转换:一种混合方法来预测家禽养殖场的氨水平.
Erdem Küçüktopçu1, Bilal Cemek1, Halis Simsek2
1Department of Agricultural Structures and Irrigation, Ondokuz Mayıs University, Samsun 55139, Türkiye.
Animals : an open access journal from MDPI
|October 26, 2024
概括
准确的氨 (NH3) 估计在家禽养殖场是至关重要的. 机器学习,特别是带有波形转换的随机森林,使用环境数据显著提高了预测准确性.
科学领域:
- 农业科学 农业科学
- 环境科学 环境科学
- 数据科学数据科学数据科学
背景情况:
- 氨 (NH3) 是一个重要的家禽养殖场污染物,影响鸟类健康和行业经济.
- 准确的NH3监测对于环境保护和动物福利至关重要.
研究的目的:
- 评估用于预测家禽养殖场氨度的机器学习算法.
- 评估波形转换作为NH3预测模型的预处理技术的有效性.
主要方法:
- 测试了三种机器学习算法 (极端学习机器,K-最近邻居,随机森林).
- 作为数据预处理步骤,使用了具有十个分解级别的波形转换.
- 使用平均绝对误差 (MAE) 和相关系数 (R) 评估了预测准确性.
主要成果:
- 随机森林 (RF) 算法表现出强大的性能,无论是独立的还是与波形变换 (WT) 结合的.
- 该RF-WT模型使用空气温度,相对湿度和空气速度实现了最佳的预测准确性.
- 最优的RF-WT模型在测试数据集上产生了0.548ppm的MAE和0.976的R.
结论:
- 使用波形变换预处理家禽养殖场数据显著提高了对氨的机器学习模型的预测能力.
- 随机森林波形转换组合提供了一个非常准确的方法来估计氨水平,这对于农场管理和环境控制至关重要.
