使用混合机器学习方法预测中国农田的余,使用较小的数据集和较少的特征进行混合机器学习

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:

• 来自农田的全球污染是一个重要的环境问题.
• 过剩 (NS) 是评估使用效率的关键,但传统方法需要大量的数据.
• 许多地区的数据稀缺性阻碍了准确的NS估计和缓解努力.

研究的目的:

• 开发一个新的贝叶斯网络-机器学习 (BN-ML) 模型来预测余 (NS).
• 通过有限的输入数据,在数据稀缺的地区实现可靠的NS预测.
• 支持农业中的有针对性和可持续的管理战略.

主要方法:

• 结合贝叶斯网络 (BN) 和机器学习 (ML) 进行NS预测.
• 利用来自中国 (2000-2019年) 的长期监测数据 (气候,土壤,作物).
• 在小型流域规模上进行模型验证.

主要成果:

• 肥应用率 (NR) 被确定为影响NS的主导因素,具有空间异质性.
• 与传统模型相比,BN-ML模型实现了高预测性能 (R2 > 0.9),具有较少的特征和数据点.
• 在小流域规模验证时,预测准确度超过80%.

结论:

• 在有限的数据可用性的情况下,BN-ML模型为NS预测提供了可靠的方法.
• 这种方法有助于更有针对性和可持续的农业管理.
• 该模型可以帮助当局识别高风险地区,并为特定区域的战略优化化化肥使用.