(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211141549.3 (22)申请日 2022.09.20 (71)申请人 云南省农业科 学院农业环境资源研 究所 地址 650051 云南省昆明市盘龙区龙泉办 事处桃园村 (72)发明人 王攀磊　陈安强　王凯博　孙曦　 潘艳华　付斌　胡万里　王炽　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06N 20/00(2019.01) G06K 9/62(2022.01) G01N 33/18(2006.01) (54)发明名称 一种基于机器学习的地下水硝态氮在线预 测方法及系统 (57)摘要 本发明公开了一种基于机器学习的地下水 硝态氮在 线预测方法及系统， 涉及浅层地下水硝 态氮(农业、 环境)大数据分析技术领域， 包括： 数 据获取步骤、 数据预处理步骤、 数据集构建步骤、 模型构建步骤、 模型评估步骤和模型验证步骤。 本发明： 1)基于易获取指标数据实现地下水硝态 氮预测； 2)在不明显降低预测精度的情况下， 最 大限度地降低预测成本， 提高实用性和适用性； 3)上述方法能够为浅层地下水硝态氮的预测提 供一个新的视角； 4)可以低成本、 高时效地在线 预测浅层地下水硝态氮浓度， 有助于农业生产 者、 环境保护机构、 政府部门实时了解区域内地 下水NO3‑N时空趋势， 是有效管理地下水系统的 重要手段。 权利要求书2页 说明书8页 附图3页 CN 115481750 A 2022.12.16 CN 115481750 A 1.一种基于 机器学习的地下 水硝态氮在线预测方法， 其特 征在于， 包括以下步骤： S101.数据获取步骤： 在研究区域分点采集多个浅层地下水样品， 并获取研究区域地下 水参数； S201.数据预处理步骤： 对S101中获取的地下水参数进行预处理， 得到预处理后的地下 水参数； S301.数据集构建步骤： 随机 选取设定比例的训练行 数， 创建训练集、 测试集； S401.模型构建步骤： 机器模型采用随机森林模型， 利用训练集选择K折交叉重抽样方 法构建预测模型； S501.模型评估步骤： 采用均方根误差RMSE和决定系数R2评价不同预测模型的预测效 果； S601.模型验证步骤： 利用测试集的预测变量获取预测模型的预测值， 将预测模型的预 测值与预测模型的观测值进行比较， 获得 预测模型验证结果。 2.根据权利要求1所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， S101.数据获取步骤中地下水样品的获取方法： 在研究区域分点采集400 ‑600个浅层地 下水样品， 采用取样装置吸取， 取样装置位于水面以下5 0cm处， 每个采样点收集20 0ml样品。 3.根据权利要求2所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， S101.数据获取步骤中地下 水参数包括： 电导 率数据、 氮肥施用量数据和降水量数据。 4.根据权利要求3所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， 电导率数据获取： 在上述研究区域内的采集点处布置电导率传感器， 实时收集电导率 数据； 氮肥施用量数据获取： 对应上述采集 点， 从种植区的农户获取氮肥施用量数据； 降水量数据获取： 从当地气象部门收集降水量数据。 5.根据权利要求1所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， S201.数据预处理步骤中对地下水参数进行数据变换， 得到具有相同的量纲或标度的 地下水参数。 6.根据权利要求5所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， 数据变换包括对地下 水参数进行中心化、 标准 化和偏度变换。 7.根据权利要求1所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， S301.数据集构建步骤中的设定比例为训练集/测试集 ＝8/1。 8.根据权利要求7所述的一种基于机器学习的地下水硝态氮在线预测方法， 其特征在 于， 创建含有训练行的预测变量训练集和结果变量训练集， 创建含有测试行的预测变量测 试集和结果变量测试集。权　利　要　求　书 1/2 页 2 CN 115481750 A 29.一种基于机器学习的地下水硝态氮在线预测系统， 其特征在于应用权利要求1 ‑8任 一项所述的一种基于机器学习的地下水硝态氮在线预测方法， 包括依次连接的数据获取模 块、 数据预处 理模块、 数据集构建模块、 模型构建模块、 模型评估 模块和模型验证模块； 数据获取模块， 用于在研究区域分点采集多个浅层地下水样品， 并获取研究区域地下 水参数； 数据预处理模块， 用于对S101中获取的地下水参数进行预处理， 得到预处理后的地下 水参数； 数据集构建模块， 用于随机 选取设定比例的训练行 数， 创建训练集、 测试集； 模型构建模块， 用于机器模型采用随机森林模型， 利用训练集选择K折交叉重抽 样方法 构建预测模型； 模型评估 模块， 用于采用均方根 误差RMSE和决定系数R2评价不同预测模型的预测效果； 模型验证模块， 用于利用测试集的预测变量获取预测模型的预测值， 将预测模型的预 测值与预测模型的观测值进行比较， 获得 预测模型验证结果。权　利　要　求　书 2/2 页 3 CN 115481750 A 3