基于XGBoost的土壤含水量传感器温度补偿模型研究

沈欣; 吴勇; 孟范玉; 张赓; 于景鑫; 史凯丽; Xin SHEN; Yong WU; Fan-yu MENG; Geng ZHANG; Jing-xin YU; Kai-li SHI

节水灌溉 ›› 2021 ›› (8) : 13-18.

作者信息 +

Research on Temperature Compensation Model for Soil Moisture Content Sensors Based XGBoost

Author information +

稿件信息 +

摘要

土壤含水量传感器数值测定的准确性是其应用于精准灌溉实现农业节水的前提，然而土壤温度的变化对土壤含水量传感器数值采集的偏差具有显著影响。研究的目的在于分析不同土壤温度对土壤含水量传感器测定影响，进一步提出基于XGBoost（eXtreme Gradient Boosting）的土壤含水量传感器温度补偿模型，并验证和对比其预测精度。研究中分别配制土壤含水量为10%、15%、20%、25%、35%的12组梯度湿土土样基准，记录传感器在各土样中0~45 ℃温度变化过程的读数，并将数据集划分后用于模型训练和测试。结果表明：同一土样基准中土壤含水量传感器读数随着土壤温度的升高而增加，各土样基准类别传感器读数最大值与最小值的变幅为[3.6%，7.9%]，平均读数变幅为6.25%；所提出的XGBoost土壤含水量温度校正模型能够实现对传感器土壤含水量温度影响的补偿，对测试集的均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R ²）分别为0.013%、0.825%、1.165%和0.973。此外，与其他基于树和常用的机器学习模型对比结果显示研究提出的XGBoost温度校正模型具有最佳预测精度。

Abstract

The accuracy of soil water content sensor measurement values is a prerequisite for its application in precision irrigation to achieve water conservation in agriculture， but the variation of soil temperature has a significant impact on the deviation of soil water content sensor values. The purpose of this study is to analyze the effect of different soil temperatures on the measurement of soil water content sensors， and to further propose an XGBoost (eXtreme Gradient Boosting) based temperature compensation model for soil water content sensors and to verify and compare its prediction accuracy. In this study， 12 sets of gradient wet soil sample benchmarks with soil moisture content of 10%， 15%， 20%， 25%， and 35% were prepared， the sensor readings during the temperature change process from 0 °C to 45 °C in each soil sample were recorded， and the data sets were divided and used for model training and testing. The results showed that： the soil water content sensor readings in the same soil sample benchmark increased with the increase of soil temperature， and the variation of the maximum and minimum sensor readings in each soil sample benchmark category was within [3.6%， 7.9%]， with an average reading variation of 6.25%； the proposed XGBoost soil water content temperature correction model could compensate the influence of the sensor soil moisture temperature. The mean square error (MSE)， mean absolute error (MAE)， root mean square error (RMSE)， and coefficient of determination (R ²) of the test set were 0.013%， 0.825%， 1.165%， and 0.973， respectively； moreover， the comparison results with other tree-based and commonly used machine learning models showed that the XGBoost temperature correction model proposed in the study had the best prediction accuracy.

关键词

土壤含水率 / 土壤水分 / XGBoost / 温度补偿 / 机器学习 / 传感器

Key words

soil moisture content / soil moisture / XGBoost / temperature compensation / machine learning / sensors

基金

国家重点研发计划项目(2016YFD0201304)

北京市科技计划项目(Z181100002418003)

现代农业产业技术体系建设项目“国家玉米产业技术体系”(CARS-02-87)

北京市农林科学院开放课题(KFZN2020W002)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

沈欣 , 吴勇 , 孟范玉 , 张赓 , 于景鑫 , 史凯丽. 基于XGBoost的土壤含水量传感器温度补偿模型研究[J].节水灌溉, 2021(8): 13-18

Xin SHEN , Yong WU , Fan-yu MENG , Geng ZHANG , Jing-xin YU , Kai-li SHI. Research on Temperature Compensation Model for Soil Moisture Content Sensors Based XGBoost[J].Water Saving Irrigation, 2021(8): 13-18

0 引言

精准灌溉是提高农业水资源利用效率，缓解我国水资源短缺的有效途径^[1]。精准农业灌溉技术是以大田耕作为基础，按照作物生长需求，采用精确的灌溉设施对作物进行严格有效的施肥灌水^[2]。因此，土壤含水量信息的准确采集决定了精准灌溉的准确性和可靠性。

传统的土壤含水量测量方法是烘干法——通过人工取土的方式获取土壤样本，在105 ℃高温烘干超过48 h后根据重量的变化计算土壤含水量。然而烘干法操作复杂且取土过程会对原状土体造成破坏，此外，该方法测定的数据有较大的时间延迟难以满足连续监测的要求^[3]。随着传感器测量技术的进步，通过传感器测量土壤含水量可定时连续监测并通过无线通讯网络回传至数据中心，实现高效便捷的土壤多深度含水量的连续监测^[4]。在农业生产和科研应用中，介电法是常用的测定方法，该方法以土壤的介电特性为基础，通过监测土壤的介电特性来计算土壤的含水量，而根据其监测方式的不同又可以分为电容法、同轴探头法、传输线法、自由空间法和谐振腔法^[5]。在同轴探头法的基础上又研究出了驻波比法（SWR）、时域反射法（TDR）和频域反射法（FDR）等方法，其中FDR测定方法目前最为常用^[6]。然而，研究发现外界环境等因素尤其是土壤温度对土壤水分传感器的监测精度、稳定性、监测范围、监测速率等传感器性能指标有不同程度的影响^[7]，所以评估土壤温度对土壤传感器测量准确性的影响并构建校正模型至关重要。

国内外的相关学者针对温度对土壤传感器的影响及校正模型作了大量的研究。例如，孙道宪等采用数据融合技术建立补偿模型对TDR-3土壤湿度传感器进行补偿，降低了传感器受土壤硬度的影响程度，使测量精度提高^[8]。高磊等对FDR土壤湿度传感器进行了温度的影响因素试验，得出了FDR土壤湿度传感器受温度影响的规律并绘制了相关曲线^[9]。张荣标等研究了EC-5土壤水分传感器受温度的影响，并使用最小二乘法建立了EC-5土壤湿度传感器受温度影响的补偿曲线，减少了传感器受温度的影响程度，降低监测误差^[10]。H R Bogena等研究了TE型土壤湿度传感器受温度变化和电导率的影响并得出了对TE传感器进行补偿的数学模型^[11]。Seyfried等研究了温度变化对EC-5土壤含水量传感器的影响并建立了温度和土壤介电常数的拟合曲线^[12]。然而，温度对传感器测量土壤含水量的影响机制复杂，呈现出复杂的非线性关系，现有的研究通常采用线性回归构建温度校正补偿模型，难以实现高精度温度补偿。

目前，AI算法相比于传统模型具有更强大的数据拟合能力，而集成学习是其热门发展趋势^[13]，集成模型将独立模型组合成更强的学习器，相比于单独的模型能够获得更好的稳定性和预测效果^[14]。在集成学习模型中，XGBoost（eXtreme Gradient Boosting）是2016年提出的一种基于树的集成学习模型^[15]，该模型在很多机器学习比赛中获胜并在工业界和学术界有着广泛的应用^[16]。然而，目前鲜有研究利用XGBoost算法构建针对传感器土壤含水量温度补偿的模型。

本研究以小汤山精准农业与生态环境重点野外科学观测试验站土壤样本为依托，分别配置12组不同含水量湿土土样基准，测定了传感器在0~45 ℃的温度变化过程中传感器读数数据，来构建基于AI算法的温度补偿模型。本研究的主要目的是：①分析温度对土壤含水量传感器测量精度的影响效应；②提出基于XGBoost的土壤含水量温度校正模型构建方法；③评估XGBoost土壤含水量温度校正效果。

1 材料与方法

1.1 试验材料

本论文试验材料选自设在北京市小汤山的精准农业与生态环境重点野外科学观测试验站（东经116°34′-117°00′，北纬40°00′-40°21′）。试验区为平原地貌，属温带半湿润季风性气候，在田块内选取0~20 cm耕作层土壤样本。表1展示了土壤背景值的测试结果。

表1 土壤背景值测试结果

Tab.1 Test results of soil background values

土源	土壤类别	砂粒含量/%	粉粒含量/%	黏粒含量/%	干容重/（g·cm^-3）	凋萎系数/%	田间持水量/%	饱和含水量/%
小汤山土	砂质黏壤土	54.12	24.14	21.88	1.40	17.47	26.34	38.92

注：凋萎系数参考了Goldberg D.等人的推荐值^[17]。

本试验选用传感器为FDR原理的探针式传感器（见图1），其量程为0%~100%，在非饱和范围内传感器的监测偏差值为±3%，重复性为±1%，响应时间小于1 s，工作电压为5~12 VDC，输出信号为0~1.5 VDC或4~20 mA。95%的测量区域为围绕中央探针直径5 cm、长8 cm的圆柱体内。

图1 土壤含水量传感器的外观图

Fig.1 Exterior view of soil water content sensor

Full size|PPT slide

1.2 试验方法

本研究在室温22 ℃左右条件下使用传感器测定土样湿度。选取土壤表层0~20 cm耕作层的土壤样本，将土样晒干后使用2 mm筛网过筛。为了方便表述，下文所述的土壤含水量如无特殊注明则均代表体积含水量。使用拌土法分别配置体积含水量为10%、15%、20%、25%、35%的湿土土样，每个梯度设置3个重复，并将制备好的土壤样本密封静置48 h以便土壤均匀混合，将放置后的土样按照原状土壤容重（1.4 g/cm³）定容填装到高20 cm、直径20 cm的土柱。

试验过程中，将被测试传感器安置于土样后放入控温箱内，将箱内温度降为0 ℃。使用传感器的温度探头观察土壤样本的温度，在土壤样本稳定至0 ℃后，记录传感器的读数。分别测试传感器在0 ℃、5 ℃、10 ℃、15 ℃、20 ℃、25 ℃、30 ℃、35 ℃、40 ℃、45 ℃的土壤温度条件下的读数数值变化。试验中使用薄膜覆盖密封土样，避免放置过程中水分蒸发而影响试验结果。在使用传感器读数后，使用烘干法将所测部分土样在105 ℃的烘箱内烘干48 h，测定土壤真实含水量。

1.3 评价方法

本研究中所构建的温度对土壤含水量影响的校正模型属于回归问题，因此，我们选取了4个关键精度评定误差指标来评价模型的预测精度和拟合情况。

平均绝对误差(MAE)：

M A E = \frac{1}{m} \sum_{i = 1}^{m} |(y_{i} - \overset{\land}{y_{i}})|

(1)

均方误差(MSE)：

M S E = \frac{1}{m} \sum_{i = 1}^{m} {(y_{i} - \overset{\land}{y_{i}})}^{2}

(2)

均方根误差(RMSE)：

R M S E = \sqrt[]{\frac{1}{m} \sum_{i = 1}^{m} {(y_{i} - \overset{\land}{y_{i}})}^{2}}

(3)

决定系数(R ²)：

R^{2} = 1 - \frac{\sum_{i - 1}^{m} {(\overset{\land}{y_{i}} - y_{i})}^{2}}{\sum_{i - 1}^{m} {(\bar{y_{i}} - y_{i})}^{2}}

(4)

式中：

\overset{\land}{y_{i}}

为模型预测值；

y_{i}

为实际测量真值；

\bar{y_{i}}

为平均值。

MAE指标可以反映预测值误差的真实情况。MSE是模型估算值和真实值之差的平方期望值，反映了误差数据的变化程度，MSE值越小表明模型预测精度越高。RMSE是MSE指标的算术平方根。R ²可以消除数据维度对评价指标的影响，反映模型对数据的拟合程度。

2 模型构建

2.1 XGBoost算法

XGBoost是借助梯度提升技术得以实现的机器学习算法，是一种增强的GBDT算法，其基分类器是分类与回归树（CART），XGBoost将多个CART进行组合，即XGBoost为树集成模型^[15]。XGBoost模型以迭代添加树的方式建立，第t次迭代时第i个样本的预测值可以表示为：

{\hat{y}}_{i}^{(t)} = {\hat{y}}_{i}^{(t - 1)} + f_{t} (X_{i})

（5）

迭代添加树以最小化目标函数，目标函数式可以表示为：

L^{(t)} = \sum_{i = 1}^{n} L (y_{i}, {\hat{y}}_{i}^{(t - 1)} + f_{t} (X_{i})) + Ω (f_{t})

（6）

式中：

L

为损失函数；

Ω (f_{t})

表示模型复杂度。

为了快速优化目标，对式（6）使用二阶泰勒展开：

L^{(t)} \approx \sum_{i = 1}^{n} (L (y_{i}, {\hat{y}}_{i}^{(t - 1)}) + g_{i} f_{i} (X_{i}) + \frac{1}{2} h_{i} f_{i}^{2} (X_{i})) + Ω (f_{i})

（7）

g_{i} = \partial_{j_{i}^{(t - 1)}} L (y_{i}, {\hat{y}}_{i}^{(t - 1)})

h_{i} = \partial_{{\hat{y}}_{i}^{(t - 1)}}^{2} L (y_{i}, {\hat{y}}_{i}^{(t - 1)})

式中：g_i 和h_i 分别为损失函数项的一阶和二阶导数。

在添加第

t

棵树时，前面

t - 1

棵树已经完成训练，即

L (y_{i}, {\hat{y}}_{i}^{(t - 1)})

为常数项，移除该项获得第

t

步的简化目标函数：

{\tilde{L}}^{(t)} = \sum_{i = 1}^{n} (g_{i} f_{t} (X_{i}) + \frac{1}{2} h_{i} f_{t}^{2} (X_{i})) + Ω (f_{t})

（8）

定义

I_{j} = \{i | q (X_{i}) = j\}

为叶结点j的样本集。通过展开正则项

Ω

可以将式(8)写为：

{\tilde{L}}^{(t)} = \sum_{i = 1}^{n} (g_{i} ω_{q (x_{j})} + \frac{1}{2} h_{i} ω_{_{q (x_{i})}}^{2}) + γ T + \frac{1}{2} λ \sum_{j = 1}^{T} ω_{j}^{2}

（9）

式中：

ω_{j}^{}

为叶结点j的权重；

γ 和 λ

为复杂度变量。

最终，目标函数得以优化，最优解可以表示为：

ω_{j}^{*} = - \sum_{i \in I_{j}} g_{i} / (\sum_{i \in I_{j}} h_{i} + λ)

（10）

{\tilde{L}}^{(t)} = - \frac{1}{2} \sum_{j = 1}^{T} \frac{{(\sum_{i \in I_{j}} g_{i})}^{2}}{\sum_{i \in I_{j}} h_{i} + λ} + γ T

（11）

叶结点的分裂是基于模型的输入变量来进行的，通过输入变量被应用于叶结点分裂的次数来计算该输入变量的重要性得分，重要性得分反映了该输入变量与模型输出结果之间的相关性，进而根据各输入项的重要性总和计算相对重要性，因此可以根据输入变量相对重要性得分来筛选XGBoost的输入。

2.2 XGBoost土壤含水量温度校正模型

采用XGBoost作为核心拟合算法构建传感器读数、土壤温度和真实土壤含水量之间的复杂非线性关系。模型的输入项为2×1矩阵，输出项为1×1矩阵。参考相关文献对XGBoost模型的研究结果^[15]，本研究中XGBoost的主要参数、参数设置、可选区间和参数释义见表2。

表2 XGBoost模型主要参数设置

Tab.2 XGBoost model main parameter settings

参数	参数值	可选区间	释义
eta	0.3	[0，1]	更新时使用的步长尺寸，以防止过度拟合
max_depth	6	[0，∞]	树的最大深度，增加会使得模型变得复杂且更容易过拟合
min_child_weight	1	[0，∞]	子节点树中所需的实例权重最小和
gamma	0	[0，∞]	树的叶结点上进一步分割所需的最小损失
subsample	1	(0，1]	训练实例的子样本比例
colsample_bytree	1	(0，1]	构建每棵树时列的子样本比例

为了充分利用数据价值，采用“K折交叉验证”用于模型调优，通过使用无重复抽样技术，每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会，使得模型获得泛化性能最优的超参输出值。本研究采用5折交叉验证，训练集全部用于模型训练，而测试集用于对训练好的模型进行误差检验。

XGBoost土壤含水量校正模型的温度校正过程见图2，包含以下几个步骤：①获取试验数据，对数据进行归一化处理，进而将数据集划分为训练集和测试集2部分；②采用5折交叉验证法对训练集进行处理，分别生成5份用于训练和验证的数据组；③针对交叉验证的每份数据，XGBoost模型分别建立树模型、寻找最优分裂点、构建XGBoost和计算目标函数；④本研究采用MSE指标对模型进行误差评定，选取最佳预测精度的模型权重参数作为最终的模型参数；⑤将测试集代入最终模型以评估模型对未参与建模数据的预测精度。

图2 基于XGBoost的土壤含水量校正模型结构

Fig.2 XGBoost-based soil moisture content correction model and training process

Full size|PPT slide

2.3 数据集划分

为了能够更好地验证XGBoost模型的模型构建能力且充分利用有限的数据资源，将数据集分成训练集和测试集2部分。随机选取总数据中的80%作为训练集，总数据集中剩余的20%数据用于测试模型的预测精度评定。

2.4 归一化方法

为了提升模型训练的精度和拟合速度，将数据进行归一化处理，本研究使用“Min-Max”归一化方法来对各特征值进行处理。

2.5 模型训练环境

本研究试验的训练环境为一台图形工作站，配置为CPU：Intel(R) Xeon(R) CPU E5-1620 v4 @ 3.50GHz、GPU：NVIDIA Quadro K2200和RAM：32 GB。模型训练采用Ananconda平台作为模型训练基础平台，采用XGBoost 1.1.0作为模型框架，底层Python版本为3.7。

3 结果与分析

3.1 温度对传感器测量精度的影响

表3显示了不同温度下，传感器在不同样本中的度数与基准值的差值。可以看出，传感器的读数均高于实际的土壤含水量值，整体偏差为[3.52%，14.93%]。此外，随着温度的升高，传感器在各样本的读数均出现了升高趋势。这是因为随着温度的升高土壤的极化作用会变强，土壤中水分子的运动也随着温度的升高而变得活跃，从而导致土壤的介电常数增大。

表 3 不同温度下土壤含水量传感器读数值与基准值的差值 (%)

Tab.3 Difference between soil moisture sensor measurements and reference values at different temperatures

真实值	与基准值差值
真实值	0 ℃	5 ℃	10 ℃	15 ℃	20 ℃	25 ℃	30 ℃	35 ℃	40 ℃	45 ℃
9.58	3.52	4.22	4.82	5.62	5.82	6.12	6.52	6.72	7.42	9.02
9.77	3.93	4.33	5.03	5.63	6.53	6.93	7.23	7.93	8.33	9.73
10.10	4.00	4.40	5.20	5.80	6.70	7.10	7.40	8.10	8.60	10.00
14.25	5.15	6.25	7.15	8.35	8.65	9.05	9.65	9.95	10.95	12.35
17.49	4.31	5.01	5.21	5.61	6.81	7.31	8.41	9.31	9.61	11.11
18.25	3.25	3.85	4.55	5.45	6.35	6.95	7.65	8.35	9.75	10.05
18.36	4.34	5.04	5.24	5.74	6.94	7.44	8.64	9.54	9.84	11.44
22.40	5.50	6.40	6.60	7.10	8.70	9.30	10.70	11.50	12.40	13.40
26.74	5.16	5.66	5.86	5.86	6.66	7.16	7.46	7.76	8.36	8.76
27.00	4.90	5.40	5.60	5.60	6.40	6.90	9.20	10.00	11.80	12.50
27.01	3.79	4.39	5.19	5.99	6.39	6.59	6.99	7.29	8.09	7.09
34.17	8.53	9.03	9.53	10.13	10.20	10.82	11.83	12.73	13.93	14.93

图3展示了传感器在0~45 ℃温度基准下对各样本读数的最大值、最小值和差值。土壤温度在0~45 ℃的变化过程中，土壤含水量样本由低至高的12组类别，传感器读数数值范围分别为[13.1%，18.6%]，[13.7%，19.5%]，[14.1%，20.1%]，[19.4%，26.6%]，[21.8%，28.6%]，[21.5%，28.3%]，[22.7%，29.8%]，[27.9%，35.8%]，[31.9%，35.5%]，[31.9%，39.5%]，[30.8%，35.1%]，[42.7%，49.1%]。0~45 ℃温度下各基准类别读数最大值与最小值之差为[3.6%，7.9%]，平均读数变幅为6.25%，读数变幅较为接近且与基准土壤含水量并无明显的趋势关系。

图3 0~45 ℃温度下传感器对各基准度数的最大值、最小值和差值

Fig.3 Maximum， minimum and difference of sensor for each reference degree at 0~45 ℃

Full size|PPT slide

从表3的结果可以看出，温度对传感器测量结果的影响明显，温度与传感器读数呈正相关，温度升高会导致传感器读数的变大，这是因为随着温度的升高土壤的极化作用会变强，土壤中的水分子的运动也随着温度的升高而变得活跃，从而导致土壤的介电常数增大。这与文献[9, 10, 18]的研究结论相同。此外，赛音朝格图等^[19]在温室环境中的研究也有相似的结论。

3.2 XGBoost模型土壤含水量温度补偿估算精度对比

为了验证本研究所提出的XGBoost模型的土壤含水量温度校正效果，以本次试验0~45 ℃温度下和传感器在不同基准的读数为模型验证数据，对XGBoost模型的预测效果进行评估。此外，为了进一步展示所提出的XGBoost模型在土壤含水量温度校正的精度优势，对比了其他的集成学习方法，比如Bagging^[20]、Random Forest^[21]和Adaboost^[22]，此外，还对比了经典的传统机器学习方法，比如Decision Trees^[23]和K-Nearest Neighbor^[24]方法。

表4显示了XGBoost模型与其他机器学习模型对训练集数据的5折交叉验证预测误差和对测试集的预测误差结果。除SVR和KNN外，其余模型的训练集和测试集的预测R ²均超过了0.90，说明其均能够实现对整体数据集的较好拟合。

表 4 XGBoost及不同机器学习模型的土壤含水量校正精度对比

Tab.4 Comparison of the accuracy of soil moisture content correction for XGBoost and different machine learning models

算法	5折交叉验证预测误差				测试集预测误差
算法	MSE/%	MAE/%	RMSE/%	R ²	MSE/%	MAE/%	RMSE/%	R ²
XGBoost	0.011	0.701	1.056	0.978	0.013	0.825	1.165	0.973
Tree	0.029	0.923	1.701	0.945	0.020	0.674	1.416	0.961
Random Forest	0.023	0.976	1.524	0.956	0.023	0.970	1.508	0.955
Bagging	0.019	0.866	1.366	0.964	0.023	0.889	1.511	0.955
Adaboost	0.022	1.212	1.501	0.956	0.024	1.302	1.556	0.952
KNN	0.368	5.041	6.073	0.294	0.442	5.318	6.647	0.121
SVR	0.498	5.743	7.061	0.046	0.467	5.781	6.834	0.071

从测试集的预测误差看，本研究所提出的XGBoost模型获得了最佳的预测精度，MSE、MAE和RMSE分别为0.013%、0.825%和1.165%，取得了所有对比模型中的最佳预测表现。这是由于XGBoost算法具备并行计算、近似建树、对稀疏数据的有效处理以及内存使用优化等功能，使得XGBoost不仅运算高效且拟合精度更高。文献[25, 26]的研究同样证明了XGBoost模型预测能力优于其他基于树的集成学习模型。

在未来的研究中，希望能够在不同的土壤类型上进行数据采集以分析空气温度、土壤温度等因素对模型估算的影响，进一步提升用于模型训练的数据量来平衡训练集与测试集的统计学指标，实现更好的模型泛化性能和应用能力。

4 结论

针对土壤温度对传感器土壤含水量测定的影响，本研究提出采用基于树的集成学习算法XGBoost结合“5折交叉验证法”构建土壤含水量温度校正模型。以小汤山精准农业与生态环境重点野外科学观测试验站土壤样本为依托，分别配置含水量为10%、15%、20%、25%、35%的湿土土样，测定了12组土壤含水量基准环境，记录了传感器在0~45 ℃的温度变化过程中传感器读数。

（1）土壤含水量传感器读数随着温度的升高而增加，0~45 ℃温度下各基准类别读数最大值与最小值变幅为[3.6%，7.9%]，平均读数变幅为6.25%。

（2）XGBoost土壤含水量温度校正模型能够实现对传感器土壤含水量温度影响的补偿，对测试集的MSE、MAE、RMSE和R ²分别为0.013%、0.825%、1.165%和0.973。此外，对比Tree、Random Froest、Bagging、Adaboost、KNN和SVR模型，本研究提出的XGBoost温度校正模型取得了最佳的预测精度。本研究对土壤含水量传感器温度校正和基于树的集成学习模型构建具有一定的意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	操信春，任杰，吴梦洋，等. 基于水足迹的中国农业用水效果评价[J]. 农业工程学报， 2018， 34(5)： 1-8. 本文引用 [2]

2	顾哲，袁寿其，齐志明，等. 基于ET和水量平衡的日光温室实时精准灌溉决策及控制系统[J]. 农业工程学报， 2018， 34(23)： 101-108. 本文引用 [1]

3	谌文武，陈浩鑫，毕骏，等. 不同方法快速测定土的含水率的可靠性研究[J]. 中南大学学报(自然科学版)， 2020， 51(8)： 2 152-2 161. 本文引用 [1]

4	田宏武，郑文刚，李寒. 大田农业节水物联网技术应用现状与发展趋势[J]. 农业工程学报， 2016， 32(21)： 1-12. 本文引用 [1]

5	郭文川，朱新华. 国外农产品及食品介电特性测量技术及应用[J]. 农业工程学报， 2009， 25(2)： 308-312. 本文引用 [1]

6	郁进元，何岩，赵忠福，等. 农田土壤水分各种测量方法的比较与分析[J]. 浙江水利科技， 2007(6)： 1-2，12. 本文引用 [1]

7	CHEN L， ZHANGZHONG L， ZHENG W， et al. Data-driven calibration of soil moisture sensor considering impacts of temperature： A case study on FDR sensors[J]. Sensors， Multidisciplinary Digital Publishing Institute， 2019， 19(20)： 4 381. 本文引用 [1]

8	孙道宗，王卫星，姜晟. 基于双传感器数据融合的土壤湿度测量与建模[J]. 农业工程学报， 2012， 28(15)： 60-64. 本文引用 [1]

9	高磊，施斌，唐朝生，等. 温度对FDR测量土壤体积含水量的影响[J]. 冰川冻土， 2010， 32(5)： 964-969. 本文引用 [2]

10	张荣标，刘骏，张磊，等. EC-5土壤水分传感器温度影响机理及补偿方法研究[J]. 农业机械学报， 2010， 41(9)： 168-172. 本文引用 [2]

11	BOGENA H R， HUISMAN J A， OBERDÖRSTER C， et al. Evaluation of a low-cost soil water content sensor for wireless network applications[J]. Journal of Hydrology， Elsevier， 2007， 344(1-2)： 32-42. 本文引用 [1]

12	SEYFRIED M S， MURDOCK M D. Response of a new soil water sensor to variable soil，water content，and temperature[J]. Soil Science Society of America Journal，2001，65(1)：28-34. 本文引用 [1]

13	刘洪滨. 基于PSO-LSSVM算法的阶梯式溢洪道复氧率预测[J]. 中国农村水利水电， 2019(11)： 198-201. 本文引用 [1]

14	POLIKAR R. Ensemble learning[C]//Ensemble machine learning. Springer， 2012：1-34. 本文引用 [1]

15	CHEN T， GUESTRIN C. XGBoost： A scalable tree boosting system[C]//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016：785-794. 本文引用 [3]

16	NIELSEN D. Tree boosting with XGBoost-why does XGBoost win" every" machine learning competition?[D]. NTNU， 2016. 本文引用 [1]

17	刘燕，赵武，郭文远，等. 2种土壤水分监测仪测墒精度的比较[J]. 气象与环境科学， 2007(增1)： 175-178. 本文引用 [1]

18	曹美，徐晓辉，苏彦莽，等. 温度对FDR土壤湿度传感器的影响研究[J]. 节水灌溉， 2015(1)： 17-19，23. 本文引用 [1]

19	赛音朝格图，马文娟，塔娜. 日光温室内土壤温度对土壤含水率变化的影响[J]. 中国农业大学学报， 2019， 24(3)： 102-108. 本文引用 [1]

20	BREIMAN L. Bagging predictors[J]. Machine learning， 1996，24(2)：123-140. 本文引用 [1]

21	LIAW A， WIENER M. Classification and regression by randomForest[J]. R News，2002，2(3)：18-22. 本文引用 [1]

22	HASTIE T， ROSSET S， ZHU J， et al. Multi-class adaboost[J]. Statistics and Its Interface（International Press of Boston），2009，2(3)：349-360. 本文引用 [1]

23	QUINLAN J R. Induction of decision trees[J]. Machine learning，1986，1(1)：81-106. 本文引用 [1]

24	PETERSON L E. K-nearest neighbor[J]. Scholarpedia，2009，4(2)：1 883. 本文引用 [1]

25	LE L T， NGUYEN H， ZHOU J， et al. Estimating the heating load of buildings for smart city planning using a novel artificial intelligence technique PSO-XGBoost[J]. Applied Sciences，2019，9(13)：2 714. 本文引用 [1]

26	JIANG H， HE Z， YE G，et al. Network intrusion detection based on PSO-XGBoost Model[J/OL]. IEEE Access，(2020-03-23).DOI：10.1109/ACCESS.2020.2982418 . https://xueshu.baidu.com/usercenter/paper/show?paperid=16360ea0gv3y0cj05f050pj0y2429874&site=xueshu_se 本文引用 [1]

PDF(1586 KB)

1469

访问

引用

详细情况

段落导航

收稿日期	出版日期
2021-01-04	2021-08-10
发布日期
2021-08-10

选择文件类型/文献管理软件名称

选择包含的内容