在农业大时间序列数据中用于模式识别的数据科学:关于甘糖分产量的案例研究

科学领域:

• 农业科学 农业科学
• 数据科学数据科学数据科学
• 计算统计学 计算统计学

背景情况:

• 数据科学 (DS) 提供了跨学科的多功能应用,使过程优化和大规模数据分析成为可能.
• DS将编程与Python,R和Julia等环境中的数学和统计工具集成在一起.
• 分析历史甘生产数据对于优化糖产量和了解生产动态至关重要.

研究的目的:

• 为组织,可视化和分析历史甘生产数据提出和验证数据科学协议.
• 确定热带甘系统中与糖含量相关的关键模式和变量.
• 为农业中使用结构化DS方法提供传统分析方法的替代方案.

主要方法:

• 实施了四个阶段的协议:数据收集/组织,数据管理/清理,可视化和多方法分析 (频率主义,规范化回归,机器学习).
• 在Python软件和库 (Pandas,Numpy,Scikit-learn等) 中. 用于自动化数据处理和分析.
• 用皮尔森相关性,探索性分析和模型拟合来评估变量重要性,以消除非信息性参数.

主要成果:

• 该协议成功地组织,可视化和分析了历史的甘数据,以揭示与糖相关的模式.
• 气候变量被确定为影响糖含量的最有信息因素,而与土壤相关的变量显示出较小的贡献.
• 分析有助于消除遮蔽变量,突出了糖糖行为的关键驱动因素.

结论:

• 拟议的数据科学协议为分析复杂的农业数据集提供了一种系统和有效的方法.
• 这种方法为甘生产系统提供了有价值的见解,特别是关于糖变性的见解.
• 该研究表明,在农业部门实施负责任的数据科学有助于加强决策的潜力.