---

作者

---

可下载资源

---

本文分析的智能体、数据、代码、报告分享至会员群

# 导入数据处理库
import numpy as np
import pandas as pd
# 读取数据集
agri_data = pd.read_csv("预测.csv")
# 查看前5行数据
agri_data.head()

---

---

进一步分析发现，数据中存在与产量无直接关联的标识类字段（如farm_id、sensor_id、timestamp），需进行剔除处理以聚焦核心变量。

 

1. 作物类型与产量关联分析

箱线图显示不同作物类型的产量分布存在显著差异，为种植结构优化提供数据支撑。

# 绘制箱线图
sns.boxplot(x="crop_type", y="yield_kg_per_hectare", data=clean_data, palette="Set1")
plt.title("作物类别的产量分布")
plt.xlabel("作物种类")
plt.ylabel("产量（千克/公顷）")
plt.xticks(rotation=45)

2. 环境变量与产量相关性分析

散点图表明降雨量与产量呈非线性相关，高降雨量区间存在产量阈值效应；热力图则显示土壤湿度、温度、NDVI指数等变量与产量的相关系数绝对值超过0.3，具有较强关联性。

3. 农业管理措施效果评估

柱状图显示不同灌溉方式的平均产量差异显著，滴灌模式下产量均值最高；箱线图则揭示施肥类型对产量稳定性的影响，有机肥组的产量波动范围最小。

---

---

# 绘制柱状图
sns.barplot(x="irrigation_type", y="yield_kg_per_hectare", data=clean_data, estimator=np.mean)
plt.title("灌溉方式和产量之间的关系")
# 绘制箱线图
sns.boxplot(x="fertilizer_type", y="yield_kg_per_hectare", data=clean_data, palette="Set1")
plt.title("施肥类型和产量关系图")

在农业生产实践中，精准预测产量需兼顾数据特征与算法适配性。本部分围绕”农产品产量预测数据”，构建从特征工程到模型优化的完整技术链条，探索适用于农业场景的预测方案。

1. 机器学习模型基础框架搭建

2. 神经网络模型尝试与挑战

考虑到农业数据可能存在的非线性关系，首先尝试神经网络模型。对”作物病害状态”（crop_disease_status）字段进行缺失值处理与序数编码，将病害程度转化为数值型变量（无病害=0，轻度=1，中度=2，重度=3）。

# 数据预处理：处理病害状态字段
agri_processed = agri_data.drop(columns=["播种日期", "收获日期"]) # 剔除时间类无关字段
agri_processed["作物病害状态"] = (
 agri_processed["作物病害状态"]
 .fillna("无病害") # 填充缺失值
 .map({"无病害": 0, "轻度": 1, "中度": 2, "重度": 3}) # 序数编码
)
# 删除关键字段缺失值
agri_processed = agri_processed.dropna(subset=["区域", "作物类型", "灌溉方式", "施肥类型", "产量"])

构建多层感知机模型，包含6个隐藏层（神经元数依次为64、64、32、32、16、8），采用ReLU激活函数与均方误差损失函数。训练结果显示，测试集R²为0.68，MSE为125.3，预测效果未达预期，推测高维特征空间中存在信息冗余。

# 构建神经网络模型
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

3. 主成分分析（PCA）降维探索

为验证特征冗余假设，采用PCA对预处理后的特征矩阵进行降维。将10维特征降至2维后，前两主成分累计方差贡献率为58%，散点图显示不同作物类型在主成分空间中呈现弱聚类趋势，但信息损失较显著，单独使用PCA降维效果有限。

# PCA降维与可视化
plt.scatter(principal_df["主成分1"], principal_df["主成分2"], c="blue", alpha=0.6)
plt.title("主成分分析结果可视化")
plt.xlabel("主成分1")
plt.ylabel("主成分2")
plt.grid(True)

4. 随机森林模型优化与应用

鉴于神经网络模型效果受限，转向集成学习算法。随机森林模型通过100棵决策树集成，自动筛选关键特征（如土壤湿度、降雨量、NDVI指数），在测试集上实现R²=0.81，MSE=78.5，预测精度显著提升。

进一步分析发现，灌溉方式与施肥类型的预测误差较大，推测与样本中缺失值分布有关。尝试通过随机森林分类器对”灌溉方式”和”作物病害状态”缺失值进行填充预测，尽管分类准确率达72%，但因样本不均衡导致模型泛化能力不足，最终采用删除缺失行的保守策略。

5. 模型对比与实践选择

综合算法复杂度与预测性能，随机森林模型在农业场景中更具实用性：

• 可解释性：通过特征重要性排序，明确土壤湿度、温度等核心影响因素，符合农业生产经验；
• 鲁棒性：对异常值与缺失值敏感度低于神经网络，适合田间数据采集的非理想化环境；
• 部署成本：无需复杂算力支持，可快速集成至农业物联网（IoT）系统实现实时预测。

四、创新点与实践价值

本研究构建的”数据驱动型农业分析框架”突破传统经验决策局限，核心创新体现在：

1. 多模态数据融合：将传感器数据（土壤湿度、降雨量）与管理数据（灌溉、施肥）纳入统一分析体系；
2. 业务导向建模：针对农业生产周期特性，设计”播种-生长-收获”阶段特征工程方案；
3. 轻量化部署：随机森林模型兼具精度与效率，可嵌入便携式农业监测设备。
   通过本方案，某农业示范区实现产量预测误差降低19%，为种植结构优化、资源精准配置提供了科学依据。未来可结合卫星遥感数据与边缘计算技术，进一步提升模型时空预测能力。