昌文峰 王 霄 楊 靖 覃 濤

（貴州大學(xué)電氣工程學(xué)院 貴陽 550025）

1 引言

藍(lán)莓又名越桔、越橘、藍(lán)漿果，是杜鵑花科、越橘屬植物，營養(yǎng)價(jià)值極高，因此也被譽(yù)為“水果皇后”。藍(lán)莓在消費(fèi)市場深受大眾的喜歡［1～3］，藍(lán)莓產(chǎn)業(yè)帶來的經(jīng)濟(jì)效益使得越來越多的國家和地區(qū)開始大規(guī)模種植藍(lán)莓，而藍(lán)莓的生態(tài)適宜性也直接關(guān)乎藍(lán)莓果實(shí)的品質(zhì)和產(chǎn)量［4～7］。因此，對(duì)藍(lán)莓的生態(tài)適宜性進(jìn)行評(píng)估，合理地選取藍(lán)莓種植區(qū)域，對(duì)提升藍(lán)莓果實(shí)品質(zhì)及產(chǎn)量、提高藍(lán)莓產(chǎn)業(yè)經(jīng)濟(jì)效益具有重要意義。

近年來，國內(nèi)外對(duì)藍(lán)莓生態(tài)適宜性的研究也越來越多。曹春根等［8］利用數(shù)理統(tǒng)計(jì)方法，在浙江省西南部地區(qū)調(diào)查種植在不同地點(diǎn)、不同海拔、不同土壤類別中的藍(lán)莓樹體生長量和果實(shí)性狀產(chǎn)量等，分析了藍(lán)莓在其山地種植的適宜性。董麗等［9］利用已提取數(shù)據(jù)組定量化擬合土壤pH變化對(duì)不同品種藍(lán)莓樹體生長的影響差異。秦公偉等［10］利用判斷矩陣法、線性加權(quán)求和法和層次聚類分析法對(duì)陜西省藍(lán)莓生長的潛在適生區(qū)進(jìn)行了劃分研究。茍?bào)w忠等［11］采用地累積指數(shù)法和內(nèi)梅羅污染指數(shù)法等方法對(duì)貴州省麻江縣藍(lán)莓種植基地土壤重金屬元素富集程度和潛在生態(tài)風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)。莫建國等［12］采用相關(guān)分析法分析了不同生育期氣象條件對(duì)藍(lán)莓品質(zhì)形成的影響。Vera 等［13］確定了在智利南部的一個(gè)農(nóng)場建立和管理高叢藍(lán)莓作物的農(nóng)場領(lǐng)土單位，制定了一個(gè)農(nóng)場級(jí)別的特征，并根據(jù)其接受能力對(duì)地區(qū)和地點(diǎn)進(jìn)行了藍(lán)莓生態(tài)適宜性分類。眾多的藍(lán)莓生態(tài)適宜性的研究都是傳統(tǒng)數(shù)理統(tǒng)計(jì)方法和決策方法，該類方法具有主觀性過強(qiáng)的缺陷，降低生態(tài)適宜性的評(píng)價(jià)結(jié)果，進(jìn)而影響到藍(lán)莓產(chǎn)業(yè)的發(fā)展和果農(nóng)的增收。

隨著人工智能的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)越來越多地應(yīng)用于社會(huì)各個(gè)領(lǐng)域［14］。麻江縣作為貴州省藍(lán)莓種植面積最廣的區(qū)縣，采用機(jī)器學(xué)習(xí)算法對(duì)藍(lán)莓生態(tài)適宜性進(jìn)行科學(xué)性和精細(xì)化的評(píng)價(jià)區(qū)劃，可為麻江縣藍(lán)莓產(chǎn)業(yè)發(fā)展規(guī)劃制定提供理論依據(jù)。本研究以適合在貴州黔東南州區(qū)域種植的兔眼藍(lán)莓為研究對(duì)象，確定藍(lán)莓生態(tài)適宜性指標(biāo)，通過機(jī)器學(xué)習(xí)算法對(duì)麻江縣藍(lán)莓生態(tài)適宜性進(jìn)行模型構(gòu)建及主要影響因素分析，并采用ArcMAP 10.8 軟件對(duì)麻江縣藍(lán)莓生態(tài)適宜性地圖進(jìn)行繪制。通過實(shí)驗(yàn)發(fā)現(xiàn)，CatBoost 算法在藍(lán)莓生態(tài)適宜性評(píng)估效果比傳統(tǒng)機(jī)器學(xué)習(xí)模型效果更優(yōu)，能為藍(lán)莓園區(qū)選址規(guī)劃和藍(lán)莓種植提供更客觀合理的科學(xué)依據(jù)，進(jìn)而減少藍(lán)莓災(zāi)害、提高藍(lán)莓生產(chǎn)率、增加果農(nóng)經(jīng)濟(jì)收入。

2 方法和資料

2.1 基本資料和數(shù)據(jù)來源

貴州省麻江縣DEM（數(shù)字高程模型，Digital El?evation Model）數(shù)據(jù)來自地理空間數(shù)據(jù)云的ASTER GDEM 數(shù)據(jù)，DEM 數(shù)據(jù)包括坡度、坡向、高程和ND?VI（歸一化植被指數(shù)，Normalized Difference Vegeta?tion Index）。氣象數(shù)據(jù)來源于貴州省氣象局2015年-2019 年逐月平均氣溫、降水量、≥10℃積溫（3月-9 月）等，土壤類型數(shù)據(jù)來源于中國土壤數(shù)據(jù)庫（Soil Science Database），包括土壤pH 和土壤有機(jī)碳含量等。數(shù)據(jù)基本來源見表1，研究區(qū)麻江縣概況見圖1。

表1 數(shù)據(jù)來源情況

圖1 麻江縣概況圖

2.2 理論方法

CatBoost（CB）是一種基于梯度提升決策樹（Gradient Boost Decision Tree，GBDT）改進(jìn)的新型算法框架，該算法以對(duì)稱決策樹為基學(xué)習(xí)器，具有參數(shù)較少、支持類別變量和高準(zhǔn)確性等特點(diǎn)，能夠高效合理地處理類別型特征；此外，CB 著重解決梯度偏差和預(yù)測偏移問題，對(duì)減少過擬合發(fā)生有良好效果，能有效提升算法準(zhǔn)確性和泛化能力［15～17］。在傳統(tǒng)GBDT 算法中，處理類別型特征常用方式是利用類別特征標(biāo)簽平均值進(jìn)行替代，并且將標(biāo)簽平均值作為節(jié)點(diǎn)分裂標(biāo)準(zhǔn)［18～19］，用公式表示為

這種方法雖然簡單易實(shí)現(xiàn)，但存在一個(gè)明顯的缺點(diǎn)：特征往往比標(biāo)簽包含更豐富的信息，若用直接用標(biāo)簽平均值來代替特征，當(dāng)訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集數(shù)據(jù)結(jié)構(gòu)和分布不一致時(shí)會(huì)出現(xiàn)條件偏移問題。

CB算法加入先驗(yàn)項(xiàng)和權(quán)重系數(shù)，減少噪聲和低頻率類別型數(shù)據(jù)對(duì)于數(shù)據(jù)分布的影響，用公式表示為

式中：p是添加的先驗(yàn)項(xiàng)；a是權(quán)重系數(shù)，通常大于0。

由于藍(lán)莓生態(tài)適宜性評(píng)價(jià)數(shù)據(jù)集中的特征多為類別特征，因此選用CB 算法能夠更大程度地學(xué)習(xí)到更多的信息，進(jìn)而提升模型性能，圖2 為CB 算法流程圖。

圖2 CB算法流程圖

3 適宜性模型實(shí)驗(yàn)分析

3.1 特征數(shù)據(jù)預(yù)處理

通過收集麻江縣龍崩上等19 個(gè)藍(lán)莓種植基地?cái)?shù)據(jù)信息，獲取藍(lán)莓適宜性特征數(shù)據(jù)共796 例，其中藍(lán)莓適宜性良好408 例，藍(lán)莓適宜性非良好388例。藍(lán)莓生態(tài)適宜性特征10個(gè)，分別為坡度、坡向、高程、年降雨量、月均溫、≥10 ℃積溫、土壤pH、土壤有機(jī)碳含量、光照強(qiáng)度和歸一化植被覆蓋指數(shù)。

由于藍(lán)莓適宜性特征數(shù)據(jù)采集來源較多，因此藍(lán)莓適宜性特征集往往會(huì)存在特征數(shù)據(jù)重復(fù)、特征數(shù)據(jù)缺失、特征數(shù)據(jù)異常以及各特征數(shù)據(jù)之間量綱不統(tǒng)一等問題。這些問題會(huì)在一定程度上降低適宜性評(píng)估模型的預(yù)測精度，甚至?xí)?dǎo)致模型預(yù)測失敗，因此需要對(duì)特征數(shù)據(jù)集進(jìn)行預(yù)處理工作，主要包括：1）刪除重復(fù)特征數(shù)據(jù)；2）補(bǔ)充缺失特征數(shù)據(jù)，類別特征采用眾數(shù)補(bǔ)充，連續(xù)特征采用平均值補(bǔ)充；3）對(duì)特征數(shù)據(jù)進(jìn)行分桶，根據(jù)數(shù)據(jù)分布按分位點(diǎn)對(duì)連續(xù)特征進(jìn)行分桶并標(biāo)簽編碼（label encode），類別特征直接進(jìn)行標(biāo)簽編碼［20］。具體編碼方式如表2所示。

表2 適宜性特征編碼情況

3.2 實(shí)驗(yàn)環(huán)境與參數(shù)配置

本文研究實(shí)驗(yàn)環(huán)境為jupyter notebook，package主要包括python3.8、numpy、pandas、scikit-learn、im?blearn 等。采用LR、SVM、RF 和CB 算法構(gòu)建四種不同的麻江縣藍(lán)莓生態(tài)適宜性評(píng)估模型。針對(duì)不同模型需對(duì)其參數(shù)優(yōu)化使模型表現(xiàn)出更佳性能。

對(duì)LR、SVM 和RF 評(píng)估模型采用貝葉斯超參數(shù)優(yōu)化方法獲取最佳參數(shù)組合［21］，不同模型超參數(shù)優(yōu)化結(jié)果如圖3、4、5所示。

圖3 LR模型超參數(shù)優(yōu)化

圖4 SVM模型超參數(shù)優(yōu)化

圖5 RF模型超參數(shù)優(yōu)化

對(duì)于CB模型，由于參數(shù)過多，考慮到時(shí)間消耗和計(jì)算能力，很難利用貝葉斯優(yōu)化其超參數(shù)。本文采用階梯式的網(wǎng)格搜索對(duì)CB 模型進(jìn)行調(diào)參，即一部分參數(shù)調(diào)整至模型最佳后，基于此模型調(diào)整另外一部分參數(shù)，每部分參數(shù)采用網(wǎng)格搜索的方式依次進(jìn)行。根據(jù)問題的特性，部分超參數(shù)需要進(jìn)行特定的 限 制，主 要 對(duì)iterations、learning_rate、depth、l2_leaf_reg四個(gè)參數(shù)進(jìn)行調(diào)參，具體步驟如下。

1）初始化一些基本變量，設(shè)定loss_function=Logloss、eval_metric=AUC、task_type=CPU；

2）確定learning_rate 和iterations 的數(shù)量，先設(shè)定learning_rate=0.1，early_stop=500；采用早停的方式確定iteration數(shù)量；

3）確定樹的生長深度，設(shè)定depth 參數(shù)的取值區(qū)間在［4，10］，步長為1；

4）確定正則化強(qiáng)度，設(shè)定l2_leaf_reg 參數(shù)的取值區(qū)間在［0，10］，步長為1；

5）降低學(xué)習(xí)率，最后降低學(xué)習(xí)率的同時(shí)增加數(shù)的數(shù)量，learning_rate 參數(shù)取值為［0.01，0.1］，步長0.01。

通過超參數(shù)尋優(yōu)，最終確定CB 模型的超參數(shù)組 合 為［loss_function：Logloss，eval_metric：AUC，task_type：CPU，learning_rate：0.03，iterations：10，depth：10，l2_leaf_reg：8］。

3.3 實(shí)驗(yàn)分析

在模型評(píng)估過程中，分類問題往往需要使用不同的指標(biāo)進(jìn)行評(píng)估，從而完成模型訓(xùn)練的迭代過程。本研究提出精確率（P）、召回率（R）、綜合評(píng)價(jià)指標(biāo)（F1）［22］和AUC 作為評(píng)價(jià)指標(biāo)，計(jì)算公式如下：

AUC（Area Under Curve）為ROC 曲線的線下面積大小，ROC 全稱是“受試者工作特征”（Receiver Operating Characteristic Curve）曲線。將模型的預(yù)測結(jié)果進(jìn)行排序，按照順序?qū)颖咀鳛檎M(jìn)行預(yù)測，每次計(jì)算真正率（True Positive Rate，TPR）、假正率（False Positive Rate，F(xiàn)PR），分別作為橫、縱坐標(biāo)軸，公式定義：

本文選取AUC 作為模型最重要的評(píng)估指標(biāo)，進(jìn)行對(duì)比分析。一般介于0.5～1，AUC值越大，說明模型泛化能力越好，預(yù)測表現(xiàn)越好。

本文選取貴州省黔東南州19 個(gè)藍(lán)莓種植基地的796 例藍(lán)莓生態(tài)適宜性數(shù)據(jù)作為數(shù)據(jù)集，將數(shù)據(jù)集前70%作為訓(xùn)練集，后30%的數(shù)據(jù)作為測試集。采用LR、SVM、RF 和CB 四種算法搭建麻江縣藍(lán)莓適宜性評(píng)估模型并進(jìn)行實(shí)驗(yàn)對(duì)比，為避免實(shí)驗(yàn)結(jié)果偶然性，提高實(shí)驗(yàn)結(jié)果可靠度，本文對(duì)不同模型進(jìn)行多次實(shí)驗(yàn)，模型評(píng)估指標(biāo)綜合對(duì)比如圖6、圖7所示。

圖6 ROC曲線對(duì)比圖

圖7 不同模型在各評(píng)估指標(biāo)上的標(biāo)準(zhǔn)差

通過實(shí)驗(yàn)分析得，基于CB 算法的藍(lán)莓生態(tài)適宜性評(píng)估模型在AUC指標(biāo)上得分最高，值為0.897，LR、SVM 和RF 的AUC 得分分別為0.855、0.864 和0.875。進(jìn)而分析可知CB 模型具有最佳的表現(xiàn)性能，比LR、SVM 和RF 模型高4.9%、3.8%、2.5%，并且在召回率、精確率和綜合評(píng)價(jià)指標(biāo)方面都有著優(yōu)秀表現(xiàn)。

3.4 適宜性地圖繪制

在本文所選的機(jī)器學(xué)習(xí)中，除SVM 外，評(píng)估結(jié)果具有自然概率意義，概率值為0 表示不適宜藍(lán)莓生長，概率值為1則表示適宜藍(lán)莓生長，從0～1表示藍(lán)莓生態(tài)適宜性等級(jí)遞增。因此，通過模型輸出的結(jié)果可直接劃分每個(gè)單位的生態(tài)適宜性等級(jí)。SVM模型原理上無法直接給出預(yù)測結(jié)果的概率，但本文通過5 折交叉驗(yàn)證進(jìn)行模型的預(yù)測，同樣可以滿足結(jié)果具有自然概率意義的要求。

將麻江縣藍(lán)莓生態(tài)適宜性劃分為5 個(gè)等級(jí)：[0～0.20) 不適宜區(qū)、[0.2～0.40) 較不適宜區(qū)、[0.40～0.60) 基本適宜區(qū)、[0.60～0.80) 較適宜區(qū)、[0.80～1]最適宜區(qū)［10］。基于不同評(píng)估模型繪制麻江縣藍(lán)莓生態(tài)適宜性評(píng)價(jià)地圖如圖8所示。

圖8 麻江縣藍(lán)莓生態(tài)適宜性評(píng)價(jià)地圖

目前麻江縣多數(shù)藍(lán)莓種植點(diǎn)分布縣東南區(qū)域，市場表明該區(qū)域藍(lán)莓品質(zhì)產(chǎn)量較好。由圖8 麻江縣藍(lán)莓生態(tài)適宜性評(píng)價(jià)地圖分析可見，區(qū)劃最適宜區(qū)和較適宜區(qū)主要分布在縣東南部的宣威鎮(zhèn)和龍山鎮(zhèn)，與實(shí)際種植區(qū)域情況基本相吻合。由此可見，采用CB 模型構(gòu)建的藍(lán)莓生態(tài)適宜性評(píng)估模型結(jié)果較好，區(qū)劃結(jié)果也具有可靠性。

由于模型原理差異性，SVM模型無法給出藍(lán)莓生態(tài)適宜性特征的重要性分析。除SVM 模型外，從各模型特征重要性得分可知，高程和≥10 ℃積溫兩個(gè)特征在不同模型獲得很高的分值，說明這兩個(gè)特征對(duì)藍(lán)莓生態(tài)適宜性影響程度更高，是影響藍(lán)莓生長的重要因素。各模型特征重要性如圖9所示。

圖9 不同評(píng)估模型特征重要性

4 結(jié)語

本文通過多平臺(tái)收集藍(lán)莓生態(tài)適宜性特征數(shù)據(jù)，構(gòu)建了麻江縣藍(lán)莓生態(tài)適宜性特征數(shù)據(jù)集。根據(jù)數(shù)據(jù)集特點(diǎn)，利用CB 算法構(gòu)建藍(lán)莓生態(tài)適宜性評(píng)估模型，與其他傳統(tǒng)機(jī)器學(xué)習(xí)算法模型進(jìn)行對(duì)比分析，依據(jù)各模型評(píng)估結(jié)果繪制麻江縣藍(lán)莓生態(tài)適宜性評(píng)價(jià)地圖。實(shí)驗(yàn)結(jié)果表明，CB 算法對(duì)特征數(shù)據(jù)信息挖掘更充分，模型評(píng)估效果明顯優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法。但模型效果仍有進(jìn)步空間，且單一模型效果不具備較強(qiáng)的魯棒性。因此，我們后續(xù)的研究方向旨在收集更豐富的藍(lán)莓適宜性特征數(shù)據(jù)，提高數(shù)據(jù)集質(zhì)量以及融合多模型進(jìn)行藍(lán)莓生態(tài)適宜性評(píng)估，進(jìn)一步提升評(píng)估結(jié)果準(zhǔn)確性。