1.基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，包括如下步骤：S1)收集数据：收集一批已知优质茶叶在渥堆工艺过程中的生产数据进行处理；并将数据库划分为训练集和测试集；

S2)数据预处理：建立渥堆工艺参数与发酵程度的梯度提升树回归模型；将渥堆的工艺参数作为自变量 X ，发酵程度作为因变量 Y；将渥堆次数作为叶节点之一，并划分为J个互不相交的区域，记为R1， R2，…，RJ，J＞渥堆次数，且在每个区域上确定的常量记为C1， C2，…，CJ；

所述渥堆工艺参数包括有温度、相对湿度和发酵时间；

S3)模型训练：使用机器学习软件，导入训练集的数据至梯度提升树回归模型中，进行参数设置，机器学习软件自动开始分析并输出结果；

S4)模型评估: 使用测试集的数据评估已训练的模型的性能，包括如下参数：MSE： 预测值与实际值之差平方的期望值；取值越小，模型准确度越高；

RMSE：RMSE为MSE的平方根，取值越小，模型准确度越高；

MAE：绝对误差的平均值，能反映预测值误差的实际情况；取值越小，模型准确度越高；

MAPE：MAPE是 MAE 的变形，它是一个百分比值；取值越小，模型准确度越高；

R²：将预测值与只使用均值的情况下相比，R²值越靠近1，模型准确度越高；

S5)模型应用：将模型应用于渥堆工艺的控制中，流程如下：

S501)渥堆预备：将茶叶输送至可控温控湿的发酵床内，通过控制器将渥堆工艺中的温度和相对湿度维持在恒定范围；根据已训练出的模型，设定茶叶发酵程度的目标值；

S502)一次渥堆：在已训练模型中自变量的范围内，设置各工艺参数，包括温度、相对湿度、发酵时间；发酵时间结束后进行充分翻堆解块；

S503)一次模型预测及运算：将步骤S502中设置的各工艺参数作为新的自变量输入，自变量为确定的数值，机器学习软件自动输出因变量的预测值；将该预测值与目标值进行对比，若预测值小于目标值，则进入下一次渥堆；

S504)：重复上述步骤S502和S503，并在下一次模型预测及运算中将前几次各工艺参数的连续数据作为新的自变量输入；机器学习软件自动输出因变量的预测值；将该预测值与目标值进行对比，若预测值小于目标值，则进入下一次渥堆；若预测值大于或等于目标值，表示完成茶叶发酵程度的目标值，则结束渥堆工艺。

2.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述训练集占数据库的70‑80%，所述测试集占数据库的20‑30%。

3.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述机器学习软件为SPSSPRO软件、Python的scikit‑learn或XGBoost。

4.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述S2)数据预处理中，对已知优质茶叶的生产数据的因变量进行定量编码为80‑100，定量编码是根据发酵程度由人工评分制匹配的一个定量值。

5.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述目标值设定为85‑95。

6.根据权利要求1‑5任一项所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，步骤S503中设置各工艺参数如下：一次渥堆：温度为40‑50℃，相对湿度为85‑90%，发酵时间为24‑36h；

二次渥堆：温度为50‑55℃，相对湿度为85‑90%，发酵时间为96‑120h；

三次渥堆：温度为50‑55℃，相对湿度为85‑90%，发酵时间为96‑120h；

四次渥堆：温度为45‑50℃，相对湿度为70‑80%，发酵时间为60‑72h；

五次渥堆：温度为40‑45℃，相对湿度为60‑70%，发酵时间为48‑60h。

7.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述步骤S501中通过控制器将发酵床内的各工艺参数维持在恒定范围，其中，温度控制在设置值的±1.5之间，相对湿度控制在设置值的±2.5之间。