文献类型： 中文期刊

作者： 李晶晶 ¹ ; 张钟莉莉 ¹ ; 闫华 ¹ ; 郑文刚 ¹ ; 李腾 ¹ ; 阚晓晴 ¹ ;

作者机构： 1.北京市农林科学院智能装备技术研究中心

关键词： 特征选择;机器学习;模型;鲜食玉米;需水量预测;SHAP

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2025 年 41 卷 010 期

页码： 101-108

收录情况： EI ; 北大核心 ; CSCD

摘要： 鲜食玉米是一种高附加值农产品，精确的需水量预测对于科学灌溉保障其产量和品质至关重要。该研究基于大型称重式蒸渗仪与气象采集设备在线获取连续2茬次的鲜食玉米需水量及气象数据，联合布尔塔算法（boruta algorithm,Boruta）与最小绝对收缩和选择算法（least absolute shrinkage and selection operator,LASSO）筛选了影响鲜食玉米需水量变化的主要气象特征，并建立梯度提升决策树（categorical boosting,CatBoost）、长短期记忆网络（long short-term memory,LSTM）、随机森林（random forest,RF)3种鲜食玉米需水量预测模型，最后采用shapley additive explanations(SHAP）方法对预测模型进行全局和局部的事后可解释性分析。结果表明：通过Boruta与LASSO联合的特征选择方法，明确了日平均温度、日最高温度、日最低温度、日平均相对湿度、日平均风速、日平均气压、日累计日照时数是影响鲜食玉米需水量的潜在因子，CatBoost模型对鲜食玉米需水量的预测效果最佳，其平均绝对误差（0.018 9）、均方误差（0.000 6）和均方根误差（0.055 2）均最小，并且用时最短（23.93 s）。进一步根据可解释性分析发现，日最低温度、日平均温度、日累计日照时数是影响鲜食玉米需水量的关键因子，随着空气温度和日照时数的增加，鲜食玉米的需水量也随之升高。研究成果可为北京地区鲜食玉米的精确水分管理提供参考。