基于蜣螂优化随机森林(DBO-RF)算法的智能灌溉系统优化研究——多源数据融合提升水稻灌溉预测精度

为解决全球气候变化与水资源短缺背景下农业灌溉精准管理难题，上海庄行试验站研究人员创新性地提出基于蜣螂优化算法(DBO)与随机森林(RF)融合的智能灌溉模型。该研究通过集成时间序列特征、农业气象数据和灌溉管理参数，采用序列分解优化技术使MAE降至0.30321、R2提升至0.86255，显著提高了复杂环境下的灌溉需求预测能力，为动态适应型灌溉策略提供新范式。

　　

随着全球气候变化加剧和水资源日益短缺，农业灌溉管理正面临前所未有的挑战。传统灌溉方式存在严重的水资源浪费问题，而现有智能灌溉系统又往往受限于数据整合能力不足、环境适应性差等瓶颈。特别是在水稻种植领域，如何通过精准预测灌溉需求来实现"节水增产"双重目标，成为摆在农业科研人员面前的重大课题。

针对这一难题，上海市农业科学院庄行试验站的研究团队开展了一项创新性研究。他们巧妙地将自然界蜣螂的智能行为转化为算法灵感，开发出蜣螂优化随机森林(Dung Beetle Optimization-Random Forest, DBO-RF)混合模型。这项发表于《Animal Behaviour》的研究成果显示，该模型通过融合多源数据与智能优化技术，成功将灌溉预测的均方误差(MSE)降低至0.16382，为动态适应型灌溉决策提供了全新解决方案。

研究团队采用了三项关键技术方法：首先通过传感器网络系统采集上海庄行试验站2013-2024年共15423组气象与灌溉数据；其次运用集成经验模态分解(EEMD)处理时间序列特征；最后采用DBO算法优化RF模型的超参数组合，在20种群规模和10次迭代条件下获得最优解。

研究结果部分，"月度环境参数分析"显示7月温度峰值与6-7月降雨强度存在显著差异，证实气象因子与灌溉操作的强相关性；"进出口状态分布分析"揭示灌溉操作存在晨间(06:00-10:00)和午间(12:00-16:00)双高峰模式；"模型参数优化选择"证实DBO-RF在种群规模20、迭代次数10时达到最佳拟合状态；"基于序列分解DBO的机器学习算法比较"中，DBO-RF测试集的R²(0.863)显著优于LSBoost(0.835)和SVM(0.847)；"不同数据集上的DBO-RF模型性能"验证了该模型在长江流域多个试验点的强泛化能力。

研究结论指出，DBO-RF模型通过EEMD预处理有效分解农业时间序列噪声，结合DBO的全局搜索能力，实现了复杂灌溉系统的精准建模。与现有技术相比，该模型在保持高维数据处理能力的同时，MAE降低26.5%，为多变量耦合的农业决策提供了新思路。讨论部分强调，该技术可动态响应孕穗期等关键生育阶段的需水变化，但需在更多作物和气候区验证其普适性。这项研究不仅推动了智能算法在精准农业中的应用边界，也为应对气候变化下的水资源管理挑战提供了重要技术储备。