摘要：苧麻產(chǎn)量與生長期間的氣候因子具有極高相關(guān)性，基于氣候變量構(gòu)建的苧麻產(chǎn)量預(yù)測模型能夠有效精準(zhǔn)預(yù)測最終產(chǎn)量。BP（backpropagation）神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的數(shù)據(jù)分析能力，在作物產(chǎn)量預(yù)測建模中得到廣泛應(yīng)用，然而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在精度低、魯棒性差等問題，可采用麻雀搜索算法（sparrowsearchalgorithm，SSA）對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化?；?/font>2010—2019年苧麻長期定位試驗(yàn)采集的纖維產(chǎn)量、鮮皮產(chǎn)量和氣候數(shù)據(jù)，分析氣候因子在10年內(nèi)的變化趨勢及其對多年生苧麻產(chǎn)量的影響，利用構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型及優(yōu)化后的SSA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測苧麻產(chǎn)量的性能，對比確定最佳的苧麻產(chǎn)量預(yù)測模型。結(jié)果表明，苧麻產(chǎn)量與季平均氣溫、季極端最高氣溫均值、季極端最低氣溫均值、季日照時(shí)數(shù)均值4項(xiàng)氣候因子具有極顯著相關(guān)關(guān)系。SSA算法能有效優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，基于SSA-BP的苧麻纖維產(chǎn)量預(yù)測模型和鮮皮產(chǎn)量預(yù)測模型的R2分別為0.5913和0.6791，高于BP神經(jīng)網(wǎng)絡(luò)的苧麻纖維產(chǎn)量預(yù)測模型（R2=0.4057）和鮮皮產(chǎn)量預(yù)測模型（R2=0.5518）。因此，SSA-BP模型能夠更加科學(xué)、合理地預(yù)測苧麻產(chǎn)量，對于苧麻生產(chǎn)的田間管理及統(tǒng)籌規(guī)劃具有重要指導(dǎo)意義。
關(guān)鍵詞：產(chǎn)量預(yù)測；氣候因子；麻雀搜索算法；BP神經(jīng)網(wǎng)絡(luò)
苧麻（BoehmerianiveaL.）是具有中國特色的纖維作物和水土保持作物[1]，其產(chǎn)量預(yù)測對于生產(chǎn)過程精細(xì)管理、纖維棉紡市場風(fēng)險(xiǎn)管理具有重要意義[2]。然而，由于影響苧麻產(chǎn)量的因素復(fù)雜，其產(chǎn)量預(yù)測極具挑戰(zhàn)性[3?4]。
作物產(chǎn)量具有強(qiáng)烈的空間變異性，與田間環(huán)境、大氣溫度、濕度、光照強(qiáng)度、降雨量等因素密切相關(guān)[5-7]。以往研究表明，苧麻對不同地區(qū)環(huán)境的適應(yīng)性差異明顯，而氣候因素，尤其是降水量、日照時(shí)間、相對濕度3個(gè)氣候要素是導(dǎo)致苧麻產(chǎn)量在不同生態(tài)區(qū)域存在差異的重要原因[8]。除了空間變異外，氣候因素的時(shí)間變異也同樣重要[9]，但對其在產(chǎn)量預(yù)測研究中的關(guān)注有限。在當(dāng)前全球極端天氣事件高頻發(fā)生的情況下，了解氣候因素的多變性對農(nóng)業(yè)生產(chǎn)的影響顯得尤為重要，因此有必要探究苧麻產(chǎn)量隨氣候變化的規(guī)律，以及時(shí)預(yù)測產(chǎn)量信息并調(diào)整生產(chǎn)管理。
經(jīng)驗(yàn)?zāi)Ｐ褪钱?dāng)前作物產(chǎn)量估測常用的方法，該方法通過建立變量因子與產(chǎn)量之間的經(jīng)驗(yàn)?zāi)Ｐ蛠肀O(jiān)測不同情景下的作物生長[10]。徐敏等[11]結(jié)合溫度、日照、降水適宜度等氣象因子，采用最優(yōu)相關(guān)和逐步回歸等方法構(gòu)建了水稻年景綜合指數(shù)的預(yù)測模型，為水稻產(chǎn)量分析預(yù)測提供依據(jù)。劉振洋等[12]使用關(guān)聯(lián)規(guī)則算法確定了云南省甘蔗產(chǎn)量的5個(gè)主要影響因子，基于此構(gòu)建了各大主產(chǎn)區(qū)的多元線性回歸產(chǎn)量預(yù)測模型，準(zhǔn)確率較單一回歸模型分別提升了14.3%、3.5%、30.1%、8.7%、17.7%。在利用經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行作物產(chǎn)量預(yù)測研究時(shí)，可選擇線性回歸方法（線性回歸、多元線性回歸等）或非線性回歸方法（隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等）[13-18]構(gòu)建模型。相比于線性回歸模型，基于機(jī)器學(xué)習(xí)技術(shù)的非線性回歸模型在解決復(fù)雜的非線性問題上具有獨(dú)特優(yōu)勢，為包含不同氣候因素、基因型信息的數(shù)據(jù)建模提供了解決方案。BP（backpropagation）神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的數(shù)據(jù)分析能力，廣泛用于作物產(chǎn)量預(yù)測建模。但是它也需要先進(jìn)的優(yōu)化技術(shù)來訓(xùn)練以提高其模型學(xué)習(xí)的效率和精度。麻雀搜索算法（sparrowsearchalgorithm，SSA）是受麻雀覓食和反捕食行為啟發(fā)
而提出的一種新的優(yōu)化算法，具有較強(qiáng)的全局尋優(yōu)能力，為進(jìn)一步優(yōu)化估產(chǎn)模型初始權(quán)重和閾值提供了新的解決方案[19-20]。為探究不同時(shí)間氣候因素的變異對苧麻產(chǎn)量的影響，分析導(dǎo)致產(chǎn)量差異的關(guān)鍵氣候要素，本文基于2010—2019年連續(xù)采集的苧麻產(chǎn)量數(shù)據(jù)及對應(yīng)年份氣象因子，構(gòu)建了SSA-BP苧麻產(chǎn)量預(yù)測模型。該模型能較為精確地預(yù)測苧麻產(chǎn)量模型，為苧麻生產(chǎn)管理措施調(diào)整及決策提供技術(shù)支撐。
1 材料與方法
1.1 試驗(yàn)設(shè)計(jì)
試驗(yàn)于2010—2019年在湖南農(nóng)業(yè)大學(xué)國家麻類長期定位試驗(yàn)基地進(jìn)行（113°04'E，28°10'N）。試驗(yàn)品種包括中苧1號、多倍體1號、湘苧3號3個(gè)苧麻品種，材料由湖南農(nóng)業(yè)大學(xué)苧麻研究所提供。2009年6月7日將育好的麻苗（幼苗生長約20~30cm）移栽到長期定位試驗(yàn)小區(qū)，每個(gè)品種4個(gè)重復(fù)，小區(qū)面積約20m2。
1.2 數(shù)據(jù)采集
1.2.1 產(chǎn)量數(shù)據(jù)采集
于苧麻成熟期收割每個(gè)小區(qū)地上部分，然后將苧麻鮮皮從苧麻莖稈上剝離后，采用電子秤（TCS-永彩防水秤，承重150kg，精度0.01kg）稱重獲取其鮮皮重量。采用剝麻機(jī)獲取苧麻纖維，干燥后稱其重量記為纖維產(chǎn)量。
1.2.2 氣候數(shù)據(jù)獲取
選取長沙市區(qū)季平均氣溫、季極端最高氣溫均值、季極端最低氣溫均值、季降水量均值、季日照時(shí)數(shù)均值、季相對濕度均值6項(xiàng)氣候指標(biāo)作為氣象因子，數(shù)據(jù)來源于2010—2019年《中國氣象年鑒》。
1.3 數(shù)據(jù)處理方法
1.3.1 BP神經(jīng)網(wǎng)絡(luò)
基于BP的苧麻產(chǎn)量預(yù)測模型拓?fù)浣Y(jié)構(gòu)如圖1所示。將6項(xiàng)影響苧麻產(chǎn)量的氣象因子（季平均氣溫、季極端最高氣溫均值、季極端最低氣溫均值、季降水量均值、季日照時(shí)數(shù)均值、季相對濕度均值）和實(shí)測產(chǎn)量數(shù)據(jù)作為輸入層，確定輸入層、隱含層和輸出層各層的節(jié)點(diǎn)數(shù)并采用誤差反向傳播對網(wǎng)絡(luò)中每個(gè)權(quán)重系數(shù)進(jìn)行更新，最終輸出預(yù)測苧麻產(chǎn)量。
圖1 苧麻產(chǎn)量預(yù)測BP 模型結(jié)構(gòu)
1.3.2 SSA搜索算法
在麻雀搜索算法中，發(fā)現(xiàn)者的位置更新如下。
式中，xi,j(t+1)為雀群中第i只麻雀在迭代次數(shù)為t時(shí)處于第j維的位置信息值；α為處于區(qū)間(0，1]內(nèi)的隨機(jī)數(shù)，T為迭代的最大次數(shù)；Q為隨機(jī)數(shù)，符合標(biāo)準(zhǔn)正態(tài)分布；r2為預(yù)警值[0,1]，ST為安全值[0.5，1]，若r2<ST表示麻雀種群附近沒有捕食者，反之則出現(xiàn)捕食者；L為內(nèi)部元素為1、維度為d的1×d矩陣。跟隨者的位置更新如下。
式中，xworst為當(dāng)前全局中最差位置；xbestj為雀群迭代時(shí)最優(yōu)位置；n表示麻雀群體的數(shù)量。
當(dāng)i>n/2時(shí)，第i只跟隨者由于饑餓需要飛往他處覓食。通常警戒者在麻雀種群中占比只有10%~20%，其位置更新如下。
式中，xbest(t)為全局中最佳位置；β和K均起到控制參數(shù)步長的作用，前者為標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，后者為−1到1之間的隨機(jī)數(shù)，代表麻雀的移動方向；ε為常數(shù)項(xiàng)，其作用是確保分母不為0，fi為表示第i只麻雀適應(yīng)度值；fg和fw分別為當(dāng)前全局適應(yīng)度的最佳值和最差值。
1.3.3 基于SSA-BP的苧麻產(chǎn)量預(yù)測模型構(gòu)建
基于麻雀搜索算法改進(jìn)的SSA-BP苧麻產(chǎn)量預(yù)測模型具體構(gòu)建步驟如下。
①利用獲取的90份樣本數(shù)據(jù)，按2：1的比例劃分為訓(xùn)練集和預(yù)測集，對訓(xùn)練集全體數(shù)據(jù)以及測試集的輸入指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。
②對BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)進(jìn)行確認(rèn)，例如隱含層的層數(shù)及節(jié)點(diǎn)個(gè)數(shù)、層與層之間的傳遞函數(shù)等。本研究采用的BP神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱含層和1個(gè)輸出層，共3層人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其他參數(shù)設(shè)置如下：傳遞函數(shù)為tansig，包含神經(jīng)元15個(gè)；輸出層傳遞函數(shù)為purelin，包含神經(jīng)元1個(gè)。模型學(xué)習(xí)率0.01，學(xué)習(xí)函數(shù)trainscg，最大訓(xùn)練次數(shù)為10000次，神經(jīng)模型的訓(xùn)練收斂于3.12e−4。
③輸出BP神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果，并在反歸一化后依據(jù)評估指標(biāo)進(jìn)行后續(xù)評估。
④設(shè)置SSA中麻雀種群的相關(guān)參數(shù)。確定麻雀種群規(guī)模為100只，麻雀之間信息交換100次，發(fā)現(xiàn)者占總麻雀規(guī)模的比例為0.20，同時(shí)設(shè)置預(yù)警值和警戒者數(shù)量。
⑤確定每只麻雀的初始位置。
⑥依據(jù)公式(1)~(3)，對每只麻雀的位置分別進(jìn)行更新。
⑦輸出最優(yōu)的麻雀個(gè)體位置和全局最優(yōu)解，分別作為BP神經(jīng)網(wǎng)絡(luò)各層之間的權(quán)值和閥值；完成BP神經(jīng)網(wǎng)絡(luò)各參數(shù)的優(yōu)化。
⑧使用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并比較各項(xiàng)評估指標(biāo)。根據(jù)誤差指標(biāo)的符合度來確定是否結(jié)束計(jì)算，若符合則停止計(jì)算并輸出結(jié)果，若不符合則返回到步驟④重新執(zhí)行直至符合要求。
算法具體流程見圖2。
圖2 SSA-BP算法流程
1.3.4模型性能驗(yàn)證
為定量評估SSA優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的準(zhǔn)確性，采用決定系數(shù)（R2）、均方根誤差（RMSE）、均方誤差（MSE）、平均絕對誤差（MAE）和平均誤差（MAPE）加以評價(jià)作為評價(jià)指標(biāo)。通常R2越接近于1，RMSE越小說明模型預(yù)測能力越好[18]。
式中，yi為苧麻產(chǎn)量參數(shù)實(shí)測值，?i為苧麻產(chǎn)量參數(shù)預(yù)測值。?為苧麻產(chǎn)量參數(shù)平均值，n為樣本個(gè)數(shù)。
2結(jié)果與分析
2.1苧麻產(chǎn)量描述
圖3和表1展示了苧麻纖維、鮮皮產(chǎn)量的統(tǒng)計(jì)結(jié)果。苧麻纖維產(chǎn)量集中分布在500~1100kg·hm−2，最小值為493kg·hm−2，最大值為1228kg·hm−2，變異系數(shù)為到3.32%，整體分布符合正態(tài)分布。鮮皮產(chǎn)量也是衡量苧麻纖維產(chǎn)量的重要參數(shù)之一，集中分布在5000~9000kg·hm−2，最小值為2570kg·hm−2，最大值為10520kg·hm−2，變異系數(shù)為2.98%。綜上，2種苧麻產(chǎn)量均具有較大變異幅度，數(shù)據(jù)具備建模所需的差異要求。
圖3 苧麻產(chǎn)量分布
表1苧麻產(chǎn)量統(tǒng)計(jì)
2.2變量相關(guān)性分析
為分析氣候因子與苧麻纖維、鮮皮產(chǎn)量之間的相關(guān)性，將相關(guān)變量分別歸一化到[−1,1]之間，以消除變量大小差異帶來的誤差。圖4與表2分析了各季苧麻產(chǎn)量及最佳氣候因子的變化趨勢和相關(guān)系數(shù)，可以看出，頭麻產(chǎn)量性狀與季平均氣溫的變化趨勢一致性最高，與纖維產(chǎn)量的相關(guān)系數(shù)為−0.27，與鮮皮產(chǎn)量的相關(guān)系數(shù)為0.45。二麻產(chǎn)量因素與季極端最低氣溫的變化趨勢一致性最強(qiáng)，與纖維產(chǎn)量的相關(guān)系數(shù)為−0.33，與鮮皮產(chǎn)量的相關(guān)系數(shù)為−0.37。三麻產(chǎn)量參數(shù)與季日照時(shí)數(shù)相關(guān)性最高，纖維產(chǎn)量與季日照時(shí)數(shù)的相關(guān)性系數(shù)為0.32，鮮皮產(chǎn)量與季日照時(shí)數(shù)的相關(guān)性系數(shù)為0.54。結(jié)合連續(xù)10年數(shù)據(jù)，分析6項(xiàng)氣候因子與苧麻纖維、鮮皮產(chǎn)量的相關(guān)性（表3）。除季降水量均值和季相對濕度均值2項(xiàng)指標(biāo)外，其他氣候因子與苧麻纖維、鮮皮產(chǎn)量均呈極顯著相關(guān)，相關(guān)系數(shù)絕對值均高于0.42，說明利用氣候因子預(yù)測苧麻產(chǎn)量具有可行性。
2.3苧麻纖維產(chǎn)量估測
將苧麻纖維產(chǎn)量分別采用BP網(wǎng)絡(luò)和SSA-BP組合模型進(jìn)行預(yù)測，并對得到的結(jié)果進(jìn)行擬合分析。由圖5可知，BP網(wǎng)絡(luò)模型的R2僅為0.4057，擬合程度差，而采用SSA優(yōu)化后的SSA-BP網(wǎng)絡(luò)模型的擬合程度明顯優(yōu)于BP神經(jīng)網(wǎng)路，模型R2達(dá)到0.5913。
由表4可知，采用SSA優(yōu)化后，模型MSE由1.93降低到1.33，RMSE由1.39降低到1.15，MAE由1.06降低到0.89，MAPE由12.61%降低到10.73%，表明SSA算法優(yōu)化后的SSA-BP神經(jīng)網(wǎng)絡(luò)模型對于苧麻纖維產(chǎn)量的估測能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。
圖4 各季苧麻產(chǎn)量及最佳氣候因子的變化趨勢
表2 氣候因素與苧麻各季產(chǎn)量的相關(guān)性分析
注：*和**表示P<0.05和P<0.01水平顯著相關(guān)。
表3氣候因素與苧麻產(chǎn)量的相關(guān)性分析
注：**表示P<0.01水平顯著相關(guān)。
圖5 2種模型纖維產(chǎn)量預(yù)測值與實(shí)測值的擬合
表4 2種模型預(yù)測苧麻纖維產(chǎn)量的誤差分析
2.4苧麻鮮皮產(chǎn)量估測
將苧麻鮮皮重量分別采用BP網(wǎng)絡(luò)和SSA-BP組合模型進(jìn)行預(yù)測，并對得到的結(jié)果進(jìn)行擬合系分析（圖6），SSA-BP網(wǎng)絡(luò)模型與期望值的擬合程度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，回歸擬合性較好，SSA-BP神經(jīng)網(wǎng)絡(luò)模型決定系數(shù)R2從0.5518增加到0.6791。
由表5可知，采用SSA優(yōu)化后，模型MSE由1.32降低到0.94，RMSE由1.15降低到0.97，MAE由0.83降低到0.77，MAPE由12.10%降低到11.43%，表明SSA算法優(yōu)化后的SSA-BP神經(jīng)網(wǎng)絡(luò)模型對于苧麻鮮皮產(chǎn)量的估測能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。
圖6 2種模型鮮皮重量預(yù)測值與期望值的擬合
表5 2種模型預(yù)測苧麻鮮皮重量的誤差分析
3討論
苧麻是喜溫、短日照和充足水分的作物，苧麻產(chǎn)量與田間環(huán)境的氣溫、降水量、光照強(qiáng)度、濕度等因素密切相關(guān)。本研究采用相關(guān)性分析及趨勢分析方法探究氣候因素時(shí)間變異對苧麻產(chǎn)量的影響，結(jié)果表明，苧麻產(chǎn)量參數(shù)（苧麻纖維、鮮皮產(chǎn)量）與氣候因子之間存在較高相關(guān)性，季平均氣溫、季極端最高氣溫均值、季極端最低氣溫均值、季日照時(shí)數(shù)均值4項(xiàng)因子與苧麻纖維、鮮皮產(chǎn)量的相關(guān)系數(shù)絕對值均高于0.42。劉頭明等[8]研究發(fā)現(xiàn)，苧麻的產(chǎn)量與其生長期間降水量、日照時(shí)間和相對濕度均呈顯著相關(guān)性，其中日照與降水量呈正相關(guān)關(guān)系，而相對濕度則呈負(fù)相關(guān)關(guān)系，這與本研究結(jié)果存在差異，導(dǎo)致的原因可能與苧麻對不同的生態(tài)區(qū)域適應(yīng)能力不同有關(guān)[21]；袁晉琰等[22]研究也表明苧麻生長期間的溫度和降雨量是影響產(chǎn)量的重要因素。
BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，含多層神經(jīng)元。當(dāng)前，BP方法在產(chǎn)量預(yù)測應(yīng)用上取得了極大進(jìn)展，但是它仍然需要先進(jìn)的優(yōu)化技術(shù)來提高其學(xué)習(xí)的效率和精度。本研究采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的苧麻纖維產(chǎn)量、鮮皮產(chǎn)量預(yù)測模型效果均較差，預(yù)測精度R2分別為0.4057和0.5518，為此，引入麻雀搜索算法對BP神經(jīng)網(wǎng)絡(luò)閾值與權(quán)值進(jìn)行優(yōu)化，結(jié)果表明，SSA的引入有效地提高了苧麻估產(chǎn)模型精度，基于SSA-BP網(wǎng)絡(luò)的苧麻纖維產(chǎn)量估測模型精度達(dá)到0.5913，而SSA-BP網(wǎng)絡(luò)的苧麻鮮皮產(chǎn)量估測模型精度達(dá)到0.6791。SSA算法能有效提高BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確性和穩(wěn)定性，這與前人[23]研究結(jié)果一致。
總體來說，本文提出的基于氣候變量和SSA算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的苧麻產(chǎn)量預(yù)測模型預(yù)測效果較好，能夠滿足苧麻生產(chǎn)的實(shí)際需要，對提高苧麻的生產(chǎn)效率具有指導(dǎo)作用與參考依據(jù)，后續(xù)研究還需在不同地域、田間動態(tài)監(jiān)測等條件下對苧麻產(chǎn)量預(yù)測模型進(jìn)行優(yōu)化。
參考文獻(xiàn)
[1]楊潔, 唐昀, 申香英, 等 . 我國苧麻產(chǎn)業(yè)現(xiàn)狀與振興發(fā)展[J]. 中國麻業(yè)科學(xué), 2022, 44(4): 253-256.
YANG J, TANG Y, SHEN X Y, et al.. Current situation and developmentof ramieindustryinChina[J].PlantFiberSci. China, 2022, 44(4): 253-256.
[2]付虹雨, 崔國賢, 李緒孟等 . 基于無人機(jī)遙感圖像的苧麻產(chǎn)量估測研究[J]. 作物學(xué)報(bào), 2020, 46(9): 1448- 1455.
FU H Y, CUI G X, LI X M, et al.. Estimation of ramie yield basedonUAVremotesensingimage[J].ActaAgron.Sin., 2020, 46(9): 1448- 1455.
[3]王輝, 付虹雨, 王繼龍, 等 . 基于多元回歸和BP神經(jīng)網(wǎng)絡(luò)的苧麻產(chǎn)量估測模型比較研究[J]. 中國麻業(yè)科學(xué), 2020, 42(5): 227-238.
WANG H, FU H Y, WANG J L, et al.. Comparative study of ramieyieldestimationmodelsbasedonmultipleregressionand BP neural network [J]. Plant Fiber Sci. China, 2020, 42(5): 227-238.
[4]王輝, 白玉超, 付虹雨, 等 . 3 個(gè)苧麻品種三年間產(chǎn)量及其構(gòu)成因子的變化研究[J]. 中國麻業(yè)科學(xué), 2020, 42(2): 76-82.
WANG H, BAI Y C, FU H Y, et al.. Study on changes of yield and component factors of three ramie varieties in three years [J]. Plant Fiber Sci. China, 2020, 42(2): 76-82.
[5]于珍珍, 鄒華芬, 于德水, 等 . 融合田間水熱因子的甘蔗產(chǎn)量 GA-BP 預(yù)測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(10): 277-283.
YU Z Z, ZOU H F, YU D S, et al.. GA-BP prediction model of sugarcaneyieldwithfieldhydrothermalfactors[J].Trans.Chin. Soc. Agric. Mach., 2022, 53(10): 277-283.
[6]張文婧, 趙錦, 崔文倩, 等 . 氣候平均態(tài)和極端態(tài)變化對東北玉米氣象產(chǎn)量的影響[J].中國農(nóng)業(yè)科學(xué) , 2023, 56(10):1859- 1870.
ZHANG W J, ZHAO J, CUI W Q,et al..Effectsof climate mean and extreme changes on meteorological yield of maize in Northeast China [J]. Sci. Agric. Sin., 2019, 56(10): 1859- 1870.
[7]劉煥才, 史書琦, 李曼, 等 . 疏勒河流域中游地區(qū)玉米性狀及單產(chǎn)的影響因子研究[J]. 干旱區(qū)地理2023, 46(9): 1453-1466.
LIU H C, SHI S Q, LI M, et al.. Study on influencing factors of maizecharacterandyieldinMiddlereachesofShuleRiver Basin [J]. Arid Land Geography2023, 46(9): 1453- 1466.
[8]劉頭明, 湯清明, 朱四元, 等 . 長江流域 5個(gè)地區(qū)間苧麻產(chǎn)量差異的氣候影響因素分析[J]. 安徽農(nóng)業(yè)科學(xué) , 2011, 39(25): 15559- 15562+15734.
LIU T M, TANG Q M, ZHU S Y, et al.. Analysis of climatic factors affecting the difference of ramie yield in five regions in the Yangtze River Basin [J]. J. Anhui Agric. Sci., 2011, 39(25): 15559- 15562, 15734.
[9]MELILLO J M, RICHMOND T C, YOHE G W. Climate change impacts in the United States[R]. The Third National Climate Assessment, 2014.
[10]唐俊 , 趙成萍 , 周新志 , 等 . 基于 EVI-RBF 的玉米長勢監(jiān)測及產(chǎn)量預(yù)測[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2020, 36(3): 577-583.
TANG J, ZHAO C P, ZHOU X Z, et al..Maizegrowth monitoring and yield prediction based on EVI-RBF [J]. Jiangsu J. Agric. Sci., 2019, 36(3): 577-583.
[11]徐敏, 吳洪顏, 張佩, 等 . 基于氣候適宜度的江蘇水稻氣候年景預(yù)測方法[J]. 氣象, 2018, 44(9): 1200- 1207.
XU M, WU H Y, ZHANG P, et al.. Annual climate prediction methodforJiangsu rice based on climate suitability [J]. Meteorol. Monthly, 2018, 44(9): 1200- 1207.
[12]劉振洋, 趙家松, 胡仁傑, 等 . 基于關(guān)聯(lián)規(guī)則與多元線性回歸的云南省甘蔗產(chǎn)量預(yù)測模型[J]. 廣東農(nóng)業(yè)科學(xué), 2022, 49 (12): 160- 166.
LIU Z Y, ZHAO J S, HU R J, et al.. Sugarcane yield prediction model based on association rules and multiple linear regressioninYunnanProvince[J].GuangdongAgric.Sci., 2022, 49(12): 160- 166.
[13]XUE J K, SHENB. A novelswarm intelligence optimization approach: sparrow search algorithm [J]. Syst. Sci. Control Eng., 2020, 8(1): 22-34.
[14]EAP, D. B. D, Narendra K,et al..A comprehensive investigationofGenotype-Environmentinteractioneffectson seed cotton yield contributing traits inGossypium hirsutum L. using multivariate analysis and artificial neural network [J/OL]. Computers Electron. Agric., 2023, 211: 107966 [2023-09-06]. https://doi.org/10.1016/j.compag.2023.107966.
[15]SONG S, XIONG X, WU X, et al.. Modeling the SOFC by BP neural network algorithm [J]. Int. J. Hydrogen Energy, 2021, 46 (38): 65-77.
[16]婁高中 , 譚毅 , 白二虎 . 主成分分析與改進(jìn) PSO-BP 神經(jīng)網(wǎng)絡(luò)的下沉系數(shù)預(yù)測[J]. 測繪科學(xué), 2023, 48(2): 124- 130, 147.
LOU G Z, TAN Y, BAI E H. Principal component analysis and subsidence coefficient prediction of improved PSO-BP neural network [J]. Sci. Survey. Map., 2023, 48(2): 124- 130, 147.
[17]郭倩, 魏嘉豪, 張健, 等 . 基于無人機(jī)多光譜影像和隨機(jī)森林的蔬菜識別[J]. 中國農(nóng)業(yè)科技導(dǎo)報(bào), 2023, 25(2): 99- 110.
GUO Q, WEI J H, ZHANG J, et al..Vegetablerecognition based on UAV multi-spectral image and random forest[J]. J. Agric. Sci. Technol., 2023, 25(2): 99- 110.
[18]薛建凱 . 一種新型的群智能優(yōu)化技術(shù)的研究與應(yīng)用[D]. 上海: 東華大學(xué), 2020.
XUE J K. Research and application of a new swarm intelligence optimization technology [D]. Shanghai: Donghua University, 2020.
[19]顧清華, 姜秉佼, 常朝朝, 等 . 求解大規(guī)模優(yōu)化問題的改進(jìn)麻雀搜索算法[J]. 控制與決策, 2023, 38(7): 1960- 1968.
GU Q H, JIANG B J, CHANG C C, et al..Animproved Sparrow search algorithm for large-scale optimization problems [J]. Control Decision, 2023, 38(7): 1960- 1968.
[20]胡建華, 黃宇龍, 張堅(jiān), 等 . 基于麻雀搜索算法優(yōu)化雙隱含層 BP 神經(jīng)網(wǎng)絡(luò)的張力減徑鋼管壁厚預(yù)測[J]. 塑性工程學(xué) 報(bào), 2022, 29(8): 145- 151.
HU J H, HUANG Y L, ZHANG J, et al.. Predictionof wall thickness of tension reduced steel pipe by double-hidden layer BPneuralnetwork basedonsparrowsearchalgorithm[J].J. Plasticity Eng., 2022, 29(8): 145- 151.
[21] 劉頭明, 湯清明, 朱四元, 等 . 6 個(gè)不同生態(tài)區(qū)域苧麻產(chǎn)量及環(huán)境影響因素分析[J]. 耕作與栽培, 2011, No. 178(1): 30-32.
LIU T M, TANG Q M, ZHU S Y, et al.. Analysis of ramie yield andenvironmentalimpactfactorsinsixdifferentecological regions[J]. Tillage Cultivation, 2011, 178(1): 30-32.
[22]袁晉琰, 吳春燕, 阮啟亮, 等 . 分宜氣象因子對苧麻生長的影響及種植區(qū)域的劃分[J]. 中國麻業(yè)科學(xué), 2013, 35(4): 210- 213, 218.
YUAN J Y, WU C Y, RUAN Q L,et al.Influence of meteorological factors on ramie growth and division of planting area [J]. Plant Fiber Sci. China, 2013, 35(4): 210-213+218.
[23]崔興華, 靳晟, 姚芷馨, 等 . 基于麻雀搜索算法和廣義回歸神經(jīng)網(wǎng)絡(luò)的玉米產(chǎn)量預(yù)測[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識, 2022, 52 (7): 88-96.
CUI X H, JIN S, YAO Z X, et al.. Maize yield prediction based on sparrow search algorithm and generalized regression neural network [J]. Math. Practice Theory, 2022, 52(7): 88-96.
文章摘自：王輝，付虹雨，岳云開，崔國賢，佘瑋．基于氣候變量的苧麻產(chǎn)量 SSA-BP預(yù)測模型[J/OL]．中國農(nóng)業(yè)科技導(dǎo)報(bào). https://doi.org/10.13304/j.nykjdb.2023.0557
