建立机器学习模型以根据环境数据预测农作物产量

我有一个数据集，其中包含一个农场10年（2005年-2014年）的温度，降水和大豆产量的数据。我想根据此数据预测2015年的收益。

请注意，该数据集具有温度和降水量的每日值，但每年只有1个值，因为农作物的收获是在农作物生长季节结束时进行的。

我想建立一个回归模型或其他基于机器学习的模型来预测2015年的产量，该模型基于回归模型/其他模型，该模型是通过研究前几年的产量，温度和降水之间的关系得出的。

我熟悉使用scikit-learn进行机器学习。但是，不确定如何表示此问题。这里最棘手的部分是温度和降水是每天的，但产量仅为每年1个值。

我该如何处理？

首先，您可以根据上一年的每日数据预测来年的收益。您可以通过将每年的数据作为一个“点”来估计模型参数，然后使用交叉验证来验证模型。您可以考虑的范围比过去一年多，可以扩展此模型，但回头太远了，您将很难验证模型和过度拟合。

您可以使用贝叶斯信念网络进行预测。她是基本解释的链接。 贝叶斯网络

您有10个数据点，每个数据点的尺寸为365（每天的温度）+ 365（每天的降水量）。理想情况下，我将首先通过机器学习方法（例如PCA）减小尺寸。然后使用机器学习方法来构建预测模型。但是，由于数据集很小，我认为机器学习技术不适合您的问题。