基于非线性PLSR模型的气候变化对粮食产量的影响分析

考虑气候因子间多重共线性及其与粮食产量间复杂的非线性关系,本文在HP滤波分离出气候产量的基础上,尝试引入基于三次B样条变换(Spline-PLSR)和内部嵌入GRNN的两种非线性偏最小二乘模型(GRNN-PLSR),利用1961-2008年气候因子数据建立气候产量计算模型,以2009—2013年数据进行拟合检验,并与常用的C-D生产函数法计算的气候产量进行比较。结果表明,Spline-PLSR法在拟合气候因子变化对粮食产量影响时预测精度较高。而且,与C-D生产函数法相比,Spline-PLSR所需要素较少,操作简单,相对误差最高仅为13.6%;与GRNN-PLSR法拟合结果相比,Spline-PLSR相对误差波动较小,因此,基于三次B样条变换的非线性偏最小二乘法建模较适合拟合气候产量。     

基于 HP 滤波的气候产量分离方法探讨

本文尝试将经济学中HP滤波分解的原理应用于长时间粮食单产序列的气候产量分离建模,以提高产量分离的精确度。利用1961-2011年全国粮食单产数据,采用HP滤波法进行气候产量分离,得出相应的趋势产量方程,同时采用5a滑动平均和Logistic拟合法分别建立趋势产量计算模型,然后从实际产量数据序列中分离出相应的气候产量,将3种方法所得结果进行比较。结果表明:3种方法所建立的趋势产量计算模型均通过0.01水平的显著性检验,但HP滤波法模拟的趋势产量与实际产量的变化趋势吻合,研究期产量在增长过程中有明显波动,反映了实际产量的变化特点;5a滑动平均法模拟的趋势产量变化趋势与HP滤波法相似,但变化幅度相对较小;Logistic拟合法模拟的趋势产量明显高于实际产量,并一直处于增长的态势,与实际情况有差异。研究结果反映出HP滤波分解在进行长时间序列的趋势产量拟合过程中具有一定优势,不仅操作简单且产量分离结果符合实际,适用的数据广泛并具有很强的包容性。     

基于农业灾情的东北粮食产量估算模型及灾损分析

利用1981-2010年东北三省农业灾情统计数据和粮食产量数据,应用多元回归方法分析粮食气候减产量与灾情的关系,并构建基于灾情数据的粮食产量估算模型;在粮食因灾减产量估算的基础上,应用灰色关联法评价干旱、洪涝、低温和风雹4种灾害在受灾率、成灾率及绝收率水平上对粮食减产量的影响。结果表明,东北三省粮食气候减产量与农业灾情统计数据存在极显著（P〈0.01）相关关系,回归模型决定系数（R2）分别为0.76（黑龙江省）、0.78（吉林省）和0.87（辽宁省）,各模型估算的粮食产量模拟值与实际值间的平均相对误差分别为-0.06%、-0.32%和-0.20%。可见在气象灾害发生时历史农业灾情统计资料对区域粮食灾损量和粮食产量具有较强的指示作用,能为以粮食作物为主的地区提供可靠的粮食产量估算和农业气象灾害评价依据。对粮食因灾减产量与灾情的灰色关联度的分析表明,在受灾水平上,干旱的关联度在三省均为最高;在成灾、绝收水平上,风雹的关联度均位列第1;低温灾害在受灾、成灾和绝收水平上的关联度都不是最高的。由此可见,造成东北三省粮食减产的主要气象灾害是以程度轻、范围广的干旱及程度重、局地性强的风雹为主,而东北地区作为气候变暖趋势最明显的地区之一,低温不再是当地首要的农业气象灾害。     

基于马尔柯夫过程和概率分布特征的粮食产量预测

通过分析粮食单产中气象产量分量时间序列的变化规律，综合运用马尔柯夫模型和概率密度分布函数，构建相对气象产量预测模型。以河南省民权县和陕西省武功县1949—1999年小麦单产序列为例构建模型，预测得到2000年两地区小麦产量的相对误差在20％以下。预测结果表明：综合运用马尔柯夫过程和概率分布特征预测粮食产量的方法是有效的。     

河北省退耕还林对粮食生产的影响

从定性和定量角度分析退耕还林对粮食生产的影响,并采用灰色GM（1,1）模型预测河北省未来8年的人口发展趋势,最后利用灰色关联法对河北省粮食总产量的影响因素进行研究分析。结果表明：退耕还林造成全省耕地面积的减少,但由于其改善了粮食生产环境,大大提高了粮食单产,从而增加了粮食总产量;河北省未来人口持续增长,对耕地和粮食资源产生很大压力;在影响河北省粮食总产的诸因素中,粮食单产和灌溉是决定粮食总产的首要因素,而化肥施用量则为次要因素。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。     

河南省粮食单产变化的小波分析

利用1951—2004年河南粮食单产资料和小波分析的方法探讨了气候产量的多时间尺度变化特征。得出：河南省粮食单产总体呈增加趋势,但气候单产的振荡加剧,气候单产的变化周期与河南历史旱涝的演变大体一致,存在2～4a和20a左右的周期变化特征,其中以2a的变化特征为主。     

环境因子对山区粮食气候产量的影响——以云南省为例

高原山区土地资源短缺、人地矛盾突出,应对气候变化的能力尤为脆弱,探讨高原山区环境因子对粮食气候产量的影响,可为山区土地资源的合理利用和保护提供科学依据。本文利用云南省各县1985-2012年平均粮食单产数据,采用生物模型Logistic函数模拟趋势产量,以计算气候产量。提取同时期气候、地形、土壤等17个环境因子,利用相关分析、冗余分析（Redundancy analysis,RDA）等统计分析方法探究环境因子对山区气候产量的定量影响。结果表明：研究区多年平均气候产量为-0.15～-0.01t·hm-2,且研究时段内呈降低趋势;气候产量与土壤全钾含量呈极显著负相关,与坡度、坡向呈极显著正相关,与其它14个环境因子无显著相关性。RDA分析结果表明,坡度、坡向、土壤碳氮比、气温、土壤pH、土壤全钾含量6个环境变量为最小解释变量组合。坡度是影响山区粮食生产的关键性环境因子之一,与粮食实际产量呈负相关,而与气候产量呈正相关。坡度单因子可解释44.62%的粮食实际产量、26.29%气候产量的变化。从研究结果看,气候产量相对较高的地区通过坡改梯、土壤培肥等手段提高粮食单产是气候变化前提下维持区域粮食生产安全的有效途径。     

基于产量阶段的河南省夏玉米灰色——马尔柯夫预测模型

针对较长产量序列纵向及横向可比性较差的问题 ,提出用划分产量阶段的方法进行分段处理。用 GM(1,1)灰色模型分段模拟预测河南省夏玉米单产 ,根据相对气象产量划分产量状态 ,再用马尔柯夫模型转移概率预测系统未来发展方向并修正前者的预报结果。通过模拟和预报 ,准确率都有所提高     

数值模拟气候情景下未来30年内蒙古三种主要粮食作物的单产趋势预估

基于内蒙古10个盟（市）农区58个气象站1961-2010年降水和气温日资料,38个旗（县）1961-2008年小麦、1979-2008年玉米和马铃薯单产资料,用自然对数曲线模拟作物趋势产量,并从单产序列中剥离气象单产。多元线性回归分析表明,大部盟（市）3种主要粮食作物的气象单产与生长季降水量和气温变化存在显著相关关系（P〈0.05）。利用PRECIS区域气候模式在SRES（A1B、A2和B2）和国家气候中心CMIP5数值气候模式对未来30a（2011-2040）10个盟（市）3种作物生长季平均气温、积温和降水量的模拟结果,采用多元线性回归模型预测各盟（市）作物的气象单产。结果显示,大部盟（市）气象单产总体呈增长趋势,预计未来30a全区平均小麦气象单产将增加179.0kg/hm2,玉米和马铃薯的增幅分别为51.6和50.7kg/hm2。叠加趋势产量后,小麦预计约增产1221.4kg/hm2,玉米和马铃薯预计约增产2121.1和1008.0kg/hm2。研究结果可为应对未来气候变化、确定粮食生产发展战略提供参考依据。     

作物产量灰色马尔柯夫链预测模型

以黑龙江垦区１９４９－１９９２年小麦单产资料为例，用灰色系统ＧＭ（１，１）动态预测模拟和预测趋势产量，用马尔柯夫链动态预测模型预报气象产量，从而组合一套完整的作特意一灰色马尔柯夫链预测模型。以此模型对黑龙江垦区小麦单进行预测，其结果均怀实况基本相符。     

3种水稻趋势产量拟合方法的比较分析

<正>确评估气象条件对粮食产量的影响必须以准确的气象产量为前提,因此,探求长时间序列粮食趋势产量提取分离方法对于更好地指导未来作物生产有重要意义。本文应用辽宁省9个地区17个站点62年的水稻历史产量数据,以相近地区农业生产力技术发展水平应具有一致性、产量序列的趋势应反映国家惠农政策对粮食增产的促进作用、相近地区热量条件变化的一致性可引起气象产量具有同升同降的特点等为评判标准,分析评价了应用HP滤波法、指数平滑法以及Logistic方法分离水稻的趋势产量、气象产量序列的合理性。研究结果表明:1)Logistic方法、HP滤波法以及指数平滑法所拟合出的趋势产量序列与辽宁省平均趋势产量序列一致,3种方法均能较好地反映辽宁省生产力发展水平的区域一致性特点;其中,沈阳、铁岭、鞍山、辽阳、丹东和锦州6个地区的趋势产量序列与辽宁省平均趋势产量序列间的一致性相关系数达0.908以上,表现为一致性极好;2)HP滤波法拟合出的趋势产量序列能较真实地反映由于生产力和国家政策变化所带来的实际产量的变化趋势,指数平滑法次之,而Logistic方法提取的趋势产量变化趋势反映社会发展实际的能力最差;3)不同趋势产量分离方法得到的气象产量区域平均值序列具有相似的年际及年代际变化特征,三者之间无显著区别(P0.05);HP滤波法分离得到的气象产量吻合气候特征的能力最强,指数平滑法次之,Logistic方法最差。综合分析,辽宁省水稻趋势产量的提取以应用HP滤波法最优,指数平滑法次之,而Logistic方法不适合辽宁省水稻趋势产量的提取。研究结果可为作物趋势产量拟合提供方法借鉴。     

基于气候适宜度指数预报玉米产量时旬权重系数的确定方法

利用吉林省1980-2016年春玉米作物资料、50个气象站的逐日气象资料,构建春玉米生长季各旬的气候适宜度模型。分别采用绝对值法、归一化法和相关系数法确定各旬气候适宜度权重系数,进而计算4月上旬-预报日前一旬的气候适宜度指数,分析不同方法得到的气候适宜度指数与春玉米产量气象影响指数的相关性,并进行回归分析,建立产量动态预报模型,对吉林省春玉米单产进行预报。结果表明：三种方法研究的权重系数之间存在一定差异,但总体上随生育期的变化趋势基本一致。利用1981-2012年资料回归分析建立的产量丰歉预报模型多数通过0.05水平的有效性检验,各预报模型历史拟合平均准确率均在85.0%以上,归一化均方根误差NRMSE均小于17.0%,丰歉趋势预报准确率普遍在60.0%～80.0%,三种方法差异不明显。利用模型对2013-2016年春玉米单产进行外推预报,各预报时间准确率存在波动,但绝对值法、归一化法和相关系数法所有预报时间的平均准确率分别为93.5%、90.8%、87.2%,预报结果准确率的标准差分别为32.6、69.4、116.1。且绝对值法各预报时间平均准确率均在85.0%以上。可见绝对值法预报结果的准确率和稳定性均较高,可以满足业务服务需要。     

时间序列分析模型在山东省粮食总产量预测中的应用

对比传统时间序列分析模型(线性回归、二次滑动平均、一次平滑、二次指数平滑和三次指数平滑等)与ARIMA模型在山东省粮食总产量中的拟合精度,并应用ARIMA(2,1,12)模型预测了未来3年内山东省粮食总产量.结果表明,在山东省粮食总产量拟合中,ARIMA(2,1,12)模型得到的粮食总产量拟合值与观测值的相对误差处于±10%和±5%范围内的分别为73.333%和53.333%,回归方程的决定系数为0.959,优于传统时间序列分析模型;利用ARIMA(2,1,12)模型预测未来3年内山东省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.     

基于农作物灾情的长江中下游地区粮食产量损失评估

利用长江中下游地区7省（市）1949-2014年农作物灾情统计数据和粮食作物单产数据,采用多元线性回归方法,构建粮食气象减产量与农作物受灾面积、成灾面积及绝收面积的回归模型,运用主成分分析法研究长江中下游7省（市）影响粮食产量的主要农业气象灾害,对因气象灾害导致的粮食产量损失进行评估。结果表明：（1）粮食气象减产量与总灾情显著相关（P＜0.05）,其中除湖南省外,其它各省相关关系达极显著水平（P＜0.01）。粮食气象减产量与成灾面积关系更密切,依据总灾情评估粮食产量,模型的拟合优度（R2）除上海市外均大于0.9。（2）根据粮食气象减产量与干旱、洪涝、风雹、低温、台风5种灾情的相关性,建立主要灾种粮食产量模型,仅从R2数值来看,除湖南省外,其它6省（市）主要灾种模型的R2均略高于总灾情模型,但单因素方差分析表明,两类模型的R2不存在显著差异。（3）两类模型均不能解释粮食作物结构性逐年波动变化,是模型产生模拟误差的一个主要因素。本研究建立的灾损模型和产量评估模型能较好地模拟灾情与粮食产量的关系,2015年数据试报检验表明,可以将其用作长江中下游地区不同省（市）粮食产量短期预测。     

基于土壤参数的冬小麦产量预测模型

为了实现冬小麦的精细田间管理,研究了基于土壤参数的冬小麦产量预测模型。采用灰色理论对冬小麦土壤电导率 EC值,全氮含量,K+、NO3-以及土壤pH值等因子进行灰色关联度分析,结果表明土壤EC值与土壤全氮含量,K+以及土壤 pH 值的灰色关联度较高。在分析不同生长时期土壤 EC 值,全氮含量,K+、NO3-以及土壤pH值和产量间的相关系数的基础上,采用土壤EC值,全氮含量以及K+作为模型的输入,产量作为输出,建立了冬小麦产量预测BP神经网络（BPNN）模型;采用土壤EC值,全氮含量,K+,灰色关联度作为输入,建立了小麦产量的模糊最小二乘支持向量机（FLSSVM）预测模型。建模结果表明,BPNN 模型的预测决定系数达0.8237,验证决定系数达0.7367;FLSSVM模型的预测决定系数达0.8625,验证决定系数达0.8003。BP神经网络以及FLSSVM预测模型的精度都较高,可以用来评估作物产量,为精细农业变量处方管理提供理论与技术支持。     

基于BP神经网络的玉米种植密度和施肥量优化

为解决利用回归模型进行作物种植密度和施肥量优化时存在的拟合精度差和准确性低等问题,该文提出一种基于BP神经网络的优化方法。以玉米作物为研究对象,选取种植密度、施氮量、施磷量、施钾量为试验因素,玉米产量为影响指标,设计4因素5水平正交旋转试验方案进行田间试验,获取不同种植密度和施肥量水平下的玉米产量。利用BP神经网络模型对试验数据进行函数拟合,拟合后运用该文提出的优化方法获得试验条件下红星农场德美亚1号玉米最佳种植密度9.32×10~4株/hm~2、施N量139.5 kg/hm~2、施P_2O_5量85.4 kg/hm~2、施K_2O量70.8 kg/hm~2,该参数组合下玉米的最优产量为16 308.53 kg/hm~2,高于二次回归模型优化得到的最高产量16 009.00 kg/hm~2。以BP神经网络优化结果在试验区进行验证试验,获得试验方案下玉米产量为15 948.3 kg/hm~2,试验与优化结果相对误差仅为-2.21%,表明该优化方法拟合函数精度高,优化结果准确,为解决农业生产领域中类似优化问题提供了一种可靠方法。     

基于关键气象因子的中稻单产动态预报

利用重庆市1986-2009年中稻单产和中稻生育期内旬平均气温、旬降水量、旬日照时数等资料,采用统计分析法建立中稻气象产量动态预报模型,在此基础上预报中稻单产。用5a滑动平均方法分离中稻趋势产量,在分析气象产量与中稻全生育期逐旬气象要素相关性的基础上,以3月中旬平均气温、5月下旬日照时数、7月中旬平均气温、7月中旬降水量、7月中旬日照时数、7月下旬平均气温、7月下旬降水量和8月上旬平均气温等作为关键气象因子,建立中稻气象产量动态预报模型,并应用该模型实现中稻单产动态预报。对1986-2009年的中稻单产做模拟检验,平均准确率在96%以上,95%以上的年份预报准确率超过90%。对2010年的单产进行预报,准确率为91.5%～92.8%,预报准确率较高,基本能满足业务服务的需要。     

黄淮海地区县域粮食单产的空间溢出效应及影响因素分析

该研究运用马尔科夫链和空间马尔科夫链方法探讨了1980-2010年黄淮海地区347个县域粮食单产的溢出效应;并借助空间滞后模型揭示1995和2010年粮食单产分异的影响因素,以期为粮食生产布局优化和粮食生产提升政策制定提供依据。结果表明:1)35 a间黄淮海地区县域粮食单产转移总体呈现渐进、平滑的特征,大规模跨越的几率较低。2)似然比统计量分析表明,在1980-1995年和1995-2010年2个时段,区域背景对县域粮食单产类型转移格局的影响显著,且在1995-2010年更显著。中低产或中高产类型县域的粮食单产类型以平稳转移为主,而高产和低产类型县域在区域背景的作用下逐渐向中产类型转变。3)在空间格局演进方面,平原地带上移概率增加,而市辖区和沿海一带下移趋势明显,江苏、河南和山东3省的县域粮食单产类型趋于稳定。4)空间滞后模型计算结果表明,1995年,上一期粮食单产、农民人均纯收入、有效灌溉面积比率、产业结构对粮食单产的正向促进作用显著,分别通过1%的显著性水平检验;2010年,上一期粮食单产、农民人均纯收入和种植结构分别通过1%、1%、5%水平的显著性检验,而且上一期粮食单产和农民人均纯收均对粮食单产的正面推动作用显著。     

BP神经网络和GM（1，n）模型在吉林省四平市建设用地面积预测中的应用比较

[目的]科学准确地预测城市建设用地,有利于把握城市发展的速度,了解城市化发展进程,为相关政府部门掌握土地利用情况,制定土地总体规划提供科学依据。[方法]把四平市作为研究对象,从"城市—农村"合力视角构建影响因子,利用因子分析探讨影响建设用地扩张的相关性,对指标进行筛选,在此基础上利用BP神经网络和灰色模型对四平市2012,2013和2014年建成区面积进行预测,最后对预测结果进行比较分析。[结果]通过预测与比较分析可知,BP神经网络结果的相对误差分别为0.8%,1.1%和2%,而灰色GM(1.1)模型预测结果相对误差分别为0.04%,0%和3.2%。可以看出,BP神经网络预测出的结果与实际相比较误差均在2%以内。[结论]BP神经网络预测的结果较精确,运用该方法可以有效提高预测的精度。