Xây dựng mô hình học máy để dự đoán năng suất cây trồng dựa trên dữ liệu môi trường

Tôi có một bộ dữ liệu chứa dữ liệu về nhiệt độ, lượng mưa và sản lượng đậu tương cho một trang trại trong 10 năm (2005 - 2014). Tôi muốn dự đoán sản lượng cho năm 2015 dựa trên dữ liệu này.

Xin lưu ý rằng bộ dữ liệu có các giá trị HÀNG NGÀY cho nhiệt độ và lượng mưa, nhưng chỉ có 1 giá trị mỗi năm cho sản lượng, vì việc thu hoạch cây trồng xảy ra vào cuối vụ trồng trọt.

Tôi muốn xây dựng hồi quy hoặc một số mô hình dựa trên máy học khác để dự đoán năng suất năm 2015, dựa trên hồi quy / một số mô hình khác có được bằng cách nghiên cứu mối quan hệ giữa năng suất và nhiệt độ và lượng mưa trong những năm trước.

Tôi quen với việc thực hiện học máy bằng cách sử dụng scikit-learn. Tuy nhiên, không chắc chắn làm thế nào để đại diện cho vấn đề này. Phần khó khăn ở đây là nhiệt độ và lượng mưa là hàng ngày nhưng năng suất chỉ là 1 giá trị mỗi năm.

Làm thế nào để tôi tiếp cận điều này?

Để bắt đầu, bạn có thể dự đoán sản lượng cho năm tới dựa trên dữ liệu hàng ngày cho năm trước. Bạn có thể ước tính các tham số mô hình bằng cách xem xét giá trị dữ liệu của mỗi năm là một "điểm", sau đó xác thực mô hình bằng xác thực chéo. Bạn có thể mở rộng mô hình này bằng cách xem xét nhiều hơn năm ngoái, nhưng nhìn lại quá xa và bạn sẽ gặp khó khăn khi xác nhận mô hình và sự phù hợp của mình.

Bạn có thể sử dụng Bayesian Belief Network để dự đoán. Cô ấy là một liên kết để giải thích cơ bản. Mạng Bayes

Bạn có 10 điểm dữ liệu với mỗi điểm dữ liệu có kích thước 365 (nhiệt độ cho mỗi ngày) + 365 (lượng mưa cho mỗi ngày). Lý tưởng nhất, trước tiên tôi sẽ giảm kích thước thông qua các phương pháp học máy, ví dụ PCA. Sau đó sử dụng phương pháp học máy để xây dựng mô hình dự đoán. Tuy nhiên, do bộ dữ liệu nhỏ, tôi không nghĩ các kỹ thuật máy học phù hợp với vấn đề của bạn.