基于決策森林的農業氣象災害預警方法

中圖分類號：S42 文獻標志碼：A 文章編號：2096-9902（2025）19-0052-0

Abstract：Agriculturalproductionisgreatlyafectedbymeteorologicaldisasters.Accuratemeteorologicaldisasterwarningsare crucialforreducingloses.Thisstudyproposesanearlywarningmethodforagriculturalmeteorologicaldisastersbasedon decisionforestsBycoltingmeteorologicaldataicludingtmprature，preciiationwindspeed，asellasgiculturalelated datasuchascroptypesandgrowthstages，adecisionforestmodelisconstructed.Thismodelcandeeplyminefeaturesof data andaccuratelyidentifytheocurrencepatersofmeteorologicaldisasterssuchasdrought，flodandfrost.Inmodelvalidation comparedwithtraditionalearlywarningmethods，theearlywarningbasedondecisionforesthassignificantlyimprovedinterms ofacuracyandrecallrate.Tisresearchprovidesanewapproachthatisefcientaccurateandhasgoodgeneralizationability fortheearlywaringofagriculturalmeteorologicaldisasters，whichisconducivetoagriculturalproducerstakingcountereasures in advance and ensuring the stable development of agricultural production.

Keywords：meteorological disasterearlywarning；decision-making forestmodel;eficientandacurate;ensuringagricultural production； machine learning

農業在國民經濟中占據著舉足輕重的地位，然而，農業生產卻極易受到氣象災害的影響。干旱、洪澇、霜凍和臺風等氣象災害頻繁發生，給農作物生長、產量和質量帶來嚴重威脅，甚至導致農業生產的巨大損失。

隨著全球氣候變化的加劇，氣象災害的發生頻率、強度和不確定性都在不斷增加。傳統的農業氣象災害預警方法往往基于簡單的氣象指標閾值或單一的統計模型，這些方法存在諸多局限性。例如，它們難以綜合考慮多種氣象因素之間的復雜相互關系，以及氣象因素與作物生長發育不同階段的交互影響。而且，對于不同地區復雜多變的氣候和農業生產條件，傳統方法的泛化能力較差，預警的準確性和及時性難以滿足現代農業發展的需求。

1農業氣象災害預研究現狀

在2010年，馬雅麗等2就采用線性分析方法和灰色關聯分析方法，利用山西省1983—2006年暴雨洪澇、十旱、冰雹、霜凍和連陰雨等農業氣象災害受災面積等災情普查數據以及農作物產量資料對山西省主要農業氣象災害變化特征及其對農業的危害進行了分析，驗證了氣象災害對農業生產的重要性。同年，侯雙雙等應用了馬爾柯夫隨機過程和風險預測方法，對農業氣象災害指標進行了甄選與分析，為農業氣象災害的預測與風險決策提供了有效的方法論支持，強調了選擇合適的指標在提高預警準確性方面的重要性，有了農業氣象災害預警的雛形。

2011年，蔡冰等4利用GIS技術和小氣候模型，分析了江蘇省設施農業氣象災害的風險等級，結果顯示寡照、低溫和高溫災害的風險分布情況，為農業氣象災害預警提供了科學依據。2017年，Li等應用了災害鏈式理論和植物流行病學理論，建立了一個針對太陽能溫室蔬菜的氣象災害風險管理系統。該系統結合了溫室微氣候估計模型和災害預警模型，通過對環境參數的監測與分析，實現了對氣象災害及相關疾病的早期預警。2018年，孫治貴等應用了云計算、物聯網、多重因素關聯規則學習和專家系統，構建了設施農業氣象災害監測預警智能服務系統。該系統實現了對主要氣象災害的實時監測和預警，能夠提前3～5d推送氣象災害信息和生產管理建議，幫助生產管理者及時應對。通過提供個性化的氣象信息服務，顯著提高了農業氣象災害預警的時效性和準確性，推動了農業現代化的發展。2019年，Li等應用了數據質量管理理論和大數據平臺構建方法，提出了農業氣象災害預警的數據質量控制框架，提高了預警的準確性和及時性，確保了數據的完整性、一致性和準確性。具體指標包括天氣站代碼的正確性、時間元素的格式、缺失值檢查和邏輯合理性檢查等。2022年，Zhang等8應用了模糊風險分析模型、熵權法和熱點分析等方法，評估了吉林省農業氣象災害的風險，該研究為農業氣象災害的預警和應對提供了量化依據，提升了抗災能力。2023年，Zhang等應用時空知識圖譜方法，整合多源數據實現農業氣象災害的監測與預警，提升了預警的準確性和細粒度。通過對氣象指標（如日最高氣溫、相對濕度等）和NDVI的分析，能夠及時評估作物受損情況，為減少農業損失和優化災后評估提供了有效手段。

近年來，數據挖掘和機器學習技術取得了長足的發展。決策森林作為一種強大的機器學習算法，具有處理復雜數據關系、抗過擬合能力強、可解釋性較好等優點。將決策森林算法應用于農業氣象災害預警領域，有望克服傳統預警方法的不足。通過整合多源氣象數據、作物生長數據等各類信息，挖掘其中蘊含的潛在規律，從而構建出更為精準、可靠且具有廣泛適用性的農業氣象災害預警模型，這對于保障農業生產的穩定和可持續發展具有重要意義。

2決策樹及隨機森林算法理論

決策樹是一種基于樹結構進行決策的模型，它采用樹形結構，從根節點開始，根據不同的屬性特征進行分裂，直到葉節點得出決策結果。每個內部節點是一個屬性上的測試，分支是測試輸出，葉節點則是類別或值的預測。首先，選擇一個最佳的屬性來作為根節點。這個選擇通常基于某種純度度量標準，如信息增益（在分類決策樹中，信息增益越大，表明使用該屬性劃分數據能使數據的混亂程度降低得越多）。然后，根據選定屬性的不同取值將數據集劃分成不同的子集。對于每個子集，遞歸地重復上述步驟，構建子樹，直到滿足停止條件。停止條件可以是所有樣本屬于同一類別、沒有屬性可用于劃分或者樹達到了預定的最大深度等。針對回歸樹，其節點分裂準則為“最小化殘差平方和 + 剪枝懲罰項”，假定某決策樹有ITI個葉節點，在葉節點 χ_t 共有 k 個樣本示例，包含剪枝決策樹的損失數即為

式中： ，即為所有樣本示例的殘差平方和（殘差為實際值與預測值之差）。與分類樹相同，我們需要做的就是使得決策樹的損失函數最小化，大體上葉節點IT1越多，單個葉節點 χ_t 的殘差平方和越小，模型整體的擬合程度越好，但是其模型復雜程度αlTl也會上升，于是就需要在模型擬合程度和模型復雜程度之間進行平衡，找到最優點。

隨機森林算法利用了多棵決策樹進行決策，是在決策樹基礎上的改進機器學習算法。決策樹中的每一個節點是特征的一個隨機子集，用于計算輸出。隨機森林將單個決策樹的輸出整合起來生成最后的輸出結果，其擬合程度較其余機器學習模型最高（圖1）。隨機森林是一種集成學習（組合學習、模型融合）的方式，即將單一的個體學習器（基學習器）組合在一起，形成強學習器、達成模型性能的提升。

圖1決策森林模型

3模型建立

3.1數據來源與預處理

3.1.1 數據來源

從中國氣象數據網、中國科學院環境資源科學與數據中心獲取氣象部門數據、衛星遙感數據。國家和地方氣象部門的地面氣象站遍布各地，是基本氣象要素數據的重要來源。這些氣象站依據標準化流程采集數據，像溫度（日最高、最低溫度）降水（降雨量、時長）風速、風向和相對濕度等。以中國氣象局的氣象站為例，其數據時間分辨率可達小時級，空間分辨率取決于站點分布密度，為預警模型奠定基礎。通過衛星遙感技術獲取大面積氣象信息。可得到云量、云頂溫度、大氣水汽含量等數據，其空間分辨率達數公里級且覆蓋全球，對監測大規模氣象災害意義重大，部分數據見表1。

表1部分氣象數據

各級農業部門會定期收集和整理本地區的農業生產相關數據。這些數據包括農作物的種植面積、種植品種、種植結構等信息。例如，農業部門會統計某一地區每年小麥、玉米、水稻等主要農作物的種植面積，以及不同品種的種植比例。這些數據有助于確定不同農作物對氣象災害的暴露程度，因為不同作物對氣象條件的適應能力和敏感性存在差異。農業科研人員和農業技術推廣人員通過實地調研可以獲取農作物生長階段、土壤肥力狀況、灌溉情況等詳細數據。同時，隨著農業物聯網技術的發展，越來越多的傳感器被部署在農田中。這些傳感器可以實時監測王壤濕度、土壤溫度、作物冠層溫度等數據。例如，在一些現代化的大型農場，通過在田間安裝土壤濕度傳感器，可以精確獲取土壤水分含量的變化情況，這些數據與氣象數據相結合，能夠更準確地分析氣象災害對農作物生長的影響。

3.1.2 數據預處理

針對數據中的異常值，由于儀器故障造成的極大或極小的氣象數據值，以及明顯不符合邏輯的數據點等，采用 3σ 原則統計方法進行識別和去除。同時，處理缺失值，對于氣象數據中的少量缺失值，根據前后時刻數據的相關性采用線性插值法進行填充；對于農業數據中的缺失部分，如某些地區種植面積缺失，根據周邊地區數據或歷史數據進行估算填充。由于氣象數據和農業數據的量綱和數值范圍不同，為了提高模型訓練效率和準確性，需要進行數據標準化。對于溫度、濕度等氣象數據，以及土壤濕度、農作物產量等農業數據，采用Min-Max標準化將數據映射到[O，1]區間內，使得不同特征的數據在同一量綱下，避免數值較大的特征在模型訓練中占主導地位。

3.2模型特征選擇和特征組合與構造

3.2.1 特征選擇

首先，基于領域知識的特征初選在農業氣象災害預警中，依據領域知識確定一些與災害密切相關的特征。例如，對于干旱預警，氣象方面的降水量、蒸發量是關鍵特征，因為降水量少且蒸發量大是干旱形成的重要因素。農業方面，農作物的需水量、土壤的持水能力等特征也非常重要。這些特征是基于對干旱形成機制和農業受旱影響因素的深入理解而選定的。再通過相關性分析篩選特征，計算各個特征與農業氣象災害發生與否的相關性。以洪澇預警為例，使用皮爾遜相關系數或斯皮爾曼相關系數等方法，分析降水強度、降水持續時間、河流流量、地形坡度和土壤滲透率等特征與洪澇發生的相關性。剔除相關性較低的特征，保留那些與洪澇發生具有顯著相關性的特征，如降水強度和持續時間等。最后使用遞歸特征消除（PRE），將隨機森林模型作為評估器，從所有特征開始，每次迭代去除一個對模型貢獻最小的特征，然后重新訓練模型并評估性能。這個過程不斷重復，直到達到預定的特征數量或者模型性能不再提升為止。例如，在霜凍預警中，通過RFE逐步篩選出對霜凍預測最有用的特征，如溫度日較差、空氣濕度、農作物抗凍性等。

3.2.2 特征組合與構造

為了更好地反映氣象災害的形成條件，組合氣象特征。構造“有效降水指數”，通過將降水量與降水強度相結合，考慮降水在一定時間內的有效性，對于準確判斷洪澇或干旱情況更有幫助。對于氣象災害的季節性變化預警，組合“季節平均溫度偏差”與“季節降水量變異系數\"等特征，以捕捉季節尺度上的氣象異常。結合氣象和農業特征來構造新的特征。構造“作物水分盈虧指數”，將農作物的需水量（根據作物類型、生長階段確定）與實際降水量相減，得到的值能夠直觀地反映作物的水分盈虧狀況，對于干旱預警具有重要意義。另外，“作物生長適宜溫度偏差”這一特征，通過計算實際溫度與農作物生長最適宜溫度的差值，結合農作物的生長階段，可以更精準地預測低溫或高溫對農作物的危害。

3.3 模型建立

3.3.1 確定模型輸出結果

模型在建立之前要確定最后的輸出結果，輸出結果的氣象災害包括洪澇、干旱、霜凍和冰雹。洪澇的形成主要與降水集中且量大、排水不暢等因素有關。模型輸出結果為是否發生洪澇災害（二分類，發生/不發生）以及洪澇的潛在風險等級（多分類，如低風險、中風險、高風險）。低風險表示降水略高于正常水平，但現有排水系統足以應對；中風險表示降水明顯增多，部分地區可能出現積水；高風險則意味著降水量過大，可能導致大面積的洪水淹沒農田。干旱主要由長時間降水不足、蒸發量大等因素造成。模型輸出為是否處于干旱狀態（二分類）以及干旱的嚴重程度（多分類，輕度干旱、中度干旱、重度干旱）。輕度干旱表示土壤濕度略低于正常范圍，對農作物生長有一定影響；中度干旱時土壤濕度明顯降低，農作物生長受抑制；重度干旱則土壤極度干燥，農作物面臨嚴重減產甚至絕收。霜凍與低溫、晴空輻射等因素相關。輸出結果為是否有霜凍發生（二分類）以及霜凍的強度（多分類，弱霜凍、強霜凍）。弱霜凍可能僅對部分耐寒性較弱的農作物幼芽有損害；強霜凍則會對大面積農作物造成嚴重凍害。冰雹形成與強對流天氣、不穩定大氣層結等有關。模型輸出為是否有冰雹天氣（二分類）以及冰雹的大小范圍（多分類，小冰雹、中冰雹、大冰雹）。不同大小的冰雹對農作物的損害程度不同，小冰雹可能僅損壞農作物的葉片，大冰雹可能砸壞農作物的莖稈甚至摧毀整個植株。

3.3.2 確定模型參數

先確定決策樹數量（n_estimators），通過交叉驗證的方法確定決策樹的合適數量。從較小的數量50棵開始，逐步增加決策樹數量，每次增加50棵，直到500棵。觀察模型在驗證集上的性能指標：準確率、召回率。當增加決策樹數量時，若模型性能不再顯著提升，或者開始出現過擬合現象（驗證集性能下降），則選擇此時的決策樹數量作為最優值，即200棵。再確定每棵樹的最大深度（max_depth），同樣采用交叉驗證。先設定一個較大的深度范圍（10～50層），然后逐步調整最大深度。較淺的樹可能無法充分擬合數據，而太深的樹容易過擬合。通過觀察驗證集上的誤差變化，當誤差達到最小且穩定時的深度值即為最優的最大深度，為35層。

3.3.3 模型訓練

將收集到的包含氣象數據和農業數據的數據集按照一定比例劃分為訓練集、驗證集和測試集。常見的劃分比例為 70% 作為訓練集， 15% 作為驗證集，15% 作為測試集。確保劃分過程中數據的隨機性，以保證各個子集中數據的代表性。使用訓練集對隨機森林模型進行訓練，根據前面確定的模型參數構建隨機森林模型。在訓練過程中，每棵決策樹基于自助采樣（Bagging）的方式從訓練集中有放回地抽取樣本進行建樹。對于每個節點，根據確定的分裂準則（信息增益）和考慮的特征數量，選擇最佳的特征進行分裂。

在訓練過程中，利用驗證集對模型進行監控。在每個訓練周期（每訓練10棵樹）后，計算模型在驗證集上的性能指標，包括準確率（預測正確的樣本數占總樣本數的比例）召回率（預測為正例且實際為正例的樣本數占實際正例樣本數的比例）F1-score（綜合考慮準確率和召回率的指標）。根據驗證集上的性能表現，調整模型參數（決策樹數量、最大深度等），防止過擬合。

模型訓練完成后，使用測試集對模型進行最終的評估。比較模型在測試集上的預測結果與實際結果，計算各種性能指標。如果模型性能不理想，可以對模型進行優化，如重新調整參數、增加更多的數據或者進行特征工程（重新選擇或組合特征）等操作，直到得到滿意的模型性能，擬合結果如圖2所示。

圖2模型擬合曲線

4結論

本研究提出了一種基于決策森林的農業氣象災害預警方法，旨在應對日益嚴重的氣象災害對農業生產的影響。通過綜合分析氣象數據和農業相關數據，構建了決策森林模型，能夠有效識別干旱、洪澇、霜凍等氣象災害的發生模式。研究通過深入挖掘多源數據之間的潛在關系，顯著提升了預警的準確率和召回率。通過對氣象數據和農業數據的系統性分析，考慮了多種氣象因素的相互關系，結合了作物生長階段的影響，確保了模型的全面性和適用性。這種多維度的數據整合方式，使得預警模型在不同地區和不同作物類型下都能保持較好的泛化能力。模型的復雜性可能導致在某些情況下的計算效率較低，尤其是在處理大規模數據時，可能需要更多的計算資源。模型的可解釋性雖然較好，但在實際應用中，農業生產者可能仍需對模型的輸出結果進行深入理解和驗證。本研究為農業氣象災害預警提供了一種高效、準確的新方法，具有良好的實際應用前景。未來的研究可以進一步探索模型的優化與改進，結合更多的實時數據和先進的技術手段，以提升預警系統的智能化水平，為保障農業生產的穩定發展貢獻更多力量。

參考文獻：

[1]張朝，王品，陳一，等.1990年以來中國小麥農業氣象災害時空變化特征（英文）[J].Journal of Geographical Sciences，2014，24（3）：387-396.

[2]馬雅麗，欒青，王志偉，等.山西省主要農業氣象災害變化特征及其對農作物產量的影響[J].中國農業氣象，2010，31（S1）：150-154，158.

[3]侯雙雙，姜會飛，廖樹華，等.利用風險預測方法甄選農業氣象災害指標初探[J].中國農業氣象，2010，31（3）：462-466.

[4]蔡冰，劉壽東，費玉娟，等.江蘇省設施農業氣象災害風險等級區劃[J].中國農學通報，2011，27（20）：285-291.

[5]LIM，CHEN S，LIU F， et al.A risk management systemformeteorological disastersofsolar greenhouse vegetables[J].Precision Agriculture，2017（18）：997-1010.

[6]孫治貴，王元勝，張祿，等.北方設施農業氣象災害監測預警智能服務系統設計與實現[J].農業工程學報，2018，34（23）：149-156.

[7]LI J，LIAO S.Quality control framework of big data forearlywarning of agricultural meteorological disasters[C]//Pro-ceedings ofthe 2O19 International Conference on ArtificialIntelligence and Computer Science. 2019：74-78.

[8] ZHANG J，WANG J，CHENS，et al.Multi-hazard mete-orological disaster risk assessment for agriculture based onhistorical disaster data in Jilin Province，China[J].Sustain-ability，2022，14（12）：7482.

[9] ZHANG W，PENG L，GE X，et al. Spatio -TemporalKnowledge Graph-Based Research on Agro-MeteorologicalDisasterMonitoring [J]. Remote Sensing，2023，15（18）：4403.