摘要
小麦生产是河南省农业生产中的重要环节,在维持粮食供应和安全方面发挥着重要作用。对小麦产量进行准确预测可以为农业经济调控、政策制定提供重要性信息。为提高小麦产量预测精度,综合考虑影响小麦产量的相关因素,基于皮尔逊相关系数分析特征变量与产量之间的相关性。选取支持向量回归(support vector regression, SVR)模型解决小麦估产中的复杂性、非线性及小样本等问题。引入粒子群算法(particle swarm optimization, PSO)对SVR模型的惩罚因子(c)和核参数(g)进行优化,提高SVR模型的预测精度。以河南省1978—2019年小麦产量数据及其特征变量数据构建数据集,并与BP、Elman等神经网络模型及优化模型进行对比仿真试验。结果表明,PSO对SVR模型的优化效果明显高于传统的神经网络,PSO-SVR模型预测结果的4项评价指标均优于其他模型。其中,PSO-SVR模型的平均绝对百分比误差MAPE为0.87%,与SVR模型相比误差降低了57.4%、与PSO-BP模型相比误差降低了64.8%。PSO-SVR模型能够提高小麦产量预测精度,稳定性好,可为小麦产量预测提供新的思路与方法,具有较好的应用推广价值。
出处
《江苏农业科学》
北大核心
2023年第8期157-163,共7页
Jiangsu Agricultural Sciences
基金
河南省科技攻关计划(编号:212102110204、222102110234)
河南省现代农业产业技术体系(编号:S2010-01-G04)
河南省研究生教育改革与质量提升工程项目(编号:YJS2023AL046)。