数据预处理及若干数据挖掘方法预测灌溉需水量的性能评估
摘要
近期的干旱与人口增长正造成对可用有限水资源前所未有的需求。灌溉农业是淡水的主要消耗者之一。灌溉农业中大量水因不良的水管理实践而被浪费。为改善灌区水管理,需要估算未来需水量的模型。开发灌溉需水预测模型可改善水管理实践并最大化水分生产率。数据挖掘可有效用于构建此类模型。本研究中,我们准备了一个包含适于预测灌溉需水量的属性信息的数据集。数据来自三个不同来源,即气象数据、遥感影像和输水报表。为使所准备数据集可用于需求预测与模式提取,我们采用基于灌溉与数据挖掘知识相结合的新型方法进行预处理。随后,我们应用并比较了不同数据挖掘方法即决策树(DT)、人工神经网络(ANNs)、系统开发的森林(SysFor)多树、支持向量机(SVM)、逻辑回归以及传统蒸散量(ETc)方法的有效性,并评估这些模型预测灌溉需水的性能。实验结果表明了数据预处理的有用性以及不同分类器的有效性。在所用的六种方法中,SysFor 以 97.5% 准确率给出最佳预测,其次为决策树 96% 和 ANN 95%,其预测与实际用水紧密吻合。因此,我们推荐使用 SysFor 和 DT 模型进行灌溉需水预测。
引用
@article{arxiv.2003.00411,
title = {Data Pre-Processing and Evaluating the Performance of Several Data Mining Methods for Predicting Irrigation Water Requirement},
author = {Mahmood A. Khan and Md Zahidul Islam and Mohsin Hafeez},
journal= {arXiv preprint arXiv:2003.00411},
year = {2020}
}
备注
This 13-page paper is a slightly modified version of our original conference paper published in the 10th Australasian Data Mining Conference 2012. We then submitted the paper to the Journal of Research and Practice in IT (JRPIT) as an invited paper. However, despite the acceptance for publication the paper was never published by JRPIT since the journal discontinued after it had accepted our paper