基于多源时空数据的冬小麦产量预测模型

Winter wheat yield prediction model based on multi-source spatio-temporal data

为了应对气候变化、人口增长和粮食需求增长的挑战,大规模可靠的冬小麦产量预测对粮食贸易和政策制定至关重要。将多源时空数据(包括气候数据、土壤数据、卫星数据、时空数据)按照月份进行拆分,去除受人为因素影响最大的10月以及次年的5月、6月,采用极端梯度提升算法(XGBoost)等6个机器学习算法对山东省2009—2020年13个县(市、区)的冬小麦产量进行预测,并进行相关分析。结果表明,提出的时间划分方式整理的数据集训练出来的模型优于以往的研究,其中XGBoost模型预测精度远高于其他5个预测模型。最佳预测时间段为11月至次年1月。74个变量中贡献度最高的3个变量均为卫星因子,可见卫星数据在农业领域潜力巨大。此外,在数据集中加上时空变量会提高精度,土壤数据和卫星数据也可以在一定程度上提高预测精度。与日光诱导叶绿素荧光(SIF)相比,无蓝光增强型植被指数(EVI2)作用更强,但两者都用能给预测精度带来更大的增幅。