【论文精选】冬小麦产量结构要素预报方法学术资讯

来源：农业工程学报

《农业工程学报》2020年第36卷第8期刊载了江苏省气象局等单位张佩、陈郑盟、刘春伟、王福政、江海东与高苹的论文——“冬小麦产量结构要素预报方法”。该研究由国家重点研发计划课题（项目号：2018YFD1000900）等资助。

作物产量预报可为政府制定粮食计划及农业生产决策提供依据，是当前气象为农服务的主要内容之一。中国作物产量预报研究始于20世纪70年代末，经过一系列项目研究和业务化试验研究，其预报理论及方法迅速发展，并在20世纪90年代建成作物产量预报业务系统投入业务应用。发展至今，最为成熟的作物产量预报模型仍以气象学统计方法为主，并普遍采用气象产量模型。然而在气象产量数据的获取中，需要对产量数据进行平滑处理，这就在一定程度上消减了气象因子的波动性。气象因子的波动往往体现为阶段性，特别是农作物特定生育阶段的气候变化会导致某些产量构成要素的变化。王馥棠20世纪80年代初即提出，准确预报产量结构要素不仅可以辅助预报最终产量，且可以揭示相产量预报的生理学意义。

为优选出最佳的冬小麦产量结构要素预报方法，该文选择冬小麦成穗数、穗粒数及千粒质量为预报目标，综合考虑种植品种、密度及地区因子，并对气象因子进行膨化统计，得到126个自变量因子，分别采用多元线性回归、因子分析—线性回归及BP（Back Propagation）神经网络等3种方法进行建模分析。

结果表明，直接采用各因子进行回归分析无法解决不同自变量间存在的多重共线性问题，而因子分析虽然消除了不同自变量间的多重共线性，但采用因子优化后的10个综合因子分别对3个产量结构要素进行线性回归，得到的预报模型决定系数（R2）均不足0.500。运用BP神经网络对冬小麦3个产量结构要素进行预报，结果发现，当输入层为126、隐含层为16、输出层为3时，BP神经网络结构最佳，在此结构下，模型的决定系数为0.644，明显优于多元线性回归及因子分析-线性回归法。同时，基于BP神经网络模型对冬小麦产量结构要素的预报精度平均达85.3%。因此，推荐采用BP神经网络模型对冬小麦产量结构要素进行预报。

长按识别二维码关注“农业工程学报”

来源：gh_c45100f8f9c0 农业工程学报

原文链接：http://mp.weixin.qq.com/s?__biz=MjM5NjU1MzcwNQ==&mid=2652997103&idx=4&sn=6199560b575a204771f42143357cae1e&chksm=bd3253698a45da7ff05daed43ae63bffbba491d23e96c08ffa8230e220bad11b9ad2e9e1cf21&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn