基于知识流的作物蒸散量数据挖掘方法研究

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。针对作物蒸散量(ET0)计算中参数多、噪声复杂和非线性的特点,研究一种数据挖掘方法——随机森林,在数据挖掘建模过程中引入知识流的概念,通过知识流模型的分层,实现从不同角度、不同层次观察模型知识流的分布和流动情况,抓住建模关键环节,为更加准确、高效地建立模型提供支持。将其应用于作物蒸散量计算中,以西安的气象数据为输入参数,以FAO56Penman-Monteith公式计算的结果作为预测对比值,进行了建模与验证。结果表明,采用知识流建立的数据挖掘模型预测精度较高、稳定性好、泛化能力强,能够有效预测作物蒸散量。相比其他模型效率高,性能更优,尤其适用于大样本的作物蒸散量预测分析中,对于确定作物需水量有一定的参考价值。