基于ε-SVR的粮食产量预测模型及应用

    提出一种基于支持向量回归的粮食产量预测方法,以浙江省近14年的粮食产量统计数据作为分析对象,选择影响粮食产量的农业从业人员、谷物播种面积、粮食总种植面积、农村机械总动力、农村用电量、受灾面积、成灾面积、上一年粮食收购价格、有效灌溉面积和化肥施用量等10个因素,用1991-2002年的产量数据进行建模,得到98.47%的拟合精度.应用这一模型,对2003和2004年度的粮食产量进行预测,分别达到97.5%和95.8%的预测精度.说明该方法适合用于粮食产量分析和短期预测,为粮食产量预测提供了一种新方法.     

运用混沌理论预测粮食产量

运用混沌理论的原理和方法预测粮食产量,探寻一种准确率高、时效长、成本低、便于普及推广的区域粮食产量预测方法。把粮食单产序列分解为趋势产量和气象产量2部分,用5年滑动平均法求得趋势产量后,通过分析粮食单产中气象产量分量的时间序列的变化规律,论述了由气候变化引起气象产量的年际波动具有混沌特性,具体表现为平稳的马尔柯夫型状态转移概率和相同的概率密度分布特点。并以陕西省武功县、河北省禹县和涿州3个地区1949—1999年小麦单产序列为例,运用MATLAB7.0语言编程构建了粮食产量的混沌预测模型,对2000年小麦单产进行预测,准确率分别为98.1%、92.1%和97.1%。预测结果表明,粮食产量的混沌预测法相对准确而有效,准确率在92%以上,可作为粮食产量预测的新方法加以推广。     

基于灰度极限学习机的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量的数据特点,采用灰度和极限学习机相结合的组合预测模型对我国粮食产量进行短期精准预测。首先从原粮食序列中选取适量距离待预测年份较近的产量数据构成子序列,对该序列建立灰度预测模型,并计算模型预测误差。然后对原序列进行归一化处理,进而建立序列的极限学习机预测模型并计算模型的预测误差,以反映序列的长期变化规律。最后,根据2个模型的预测误差得到模型的权重系数,进而由2个模型的预测值组合得到最终的粮食产量。通过应用1949—2013年我国粮食产量数据对该模型进行验证表明,该组合方法能够准确预测3年的粮食产量,预测平均误差约为1.19%,预测精度明显好于灰度模型和极限学习机模型。     

基于灰色-马尔科夫模型的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量数据的特点,提出基于马尔科夫的新陈代谢灰度模型对我国粮食年产量进行短期精准预测。该方法首先利用传统灰色模型对产量进行预测,并计算预测误差,通过对误差序列灰色建模修正产量预测数据;其次,通过粮食年产量预测精度,将年产量数据划分成若干状态,进而得到各阶状态转移概率矩阵及历年产量对未来年份粮食产量的影响权重;最后通过建立新陈代谢灰度模型对未来年份的粮食产量进行预测。结果表明,在使用2000—2010年年粮食产量数据对2011—2015年年粮食产量进行预测时,预测误差均小于0.40%,平均误差低至0.19%,能够实现粮食产量的短期精准预测。     

陕西省粮食播种面积及其产量动态与预测

基于统计数据阐述了陕西省的粮食播种面积变化及产量状况,在分析了粮食播种面积、夏秋粮播种面积及小麦和玉米播种面积变化的基础上,探讨了相应的粮食产量变化及其影响因素,并利用DPS软件建立回归分析模型和GM(1,1)模型预测了未来10年粮食产量趋势,比较了2个模型预测结果的可靠性。研究结果表明,全省农作物、粮食、夏粮和秋粮播种面积均有所下降,分别减少了55.78×10~4和105.24×10~4、70.33×10~4和34.7×10~4hm~2,年均减少量分别为0.90×10~4、1.73×10~4、1.13×10~4和0.56×10~4hm~2,且夏粮比例下降,秋粮比例上升。全省粮食总产量增加了833.9×10~7kg,年均增长13.67×10~7kg,其中关中地区粮食产量占全省产量比例最高,各地市的粮食产量以渭南市最高,其次是西安市,铜川市最低。夏粮、秋粮、小麦和玉米产量分别增加了277.3×10~7、556.6×10~7、270.3×10~7和476.2×10~7kg。机耕面积、水浇地面积、化肥施用量和复种指数对粮食产量影响较大。通过对模型结果的分析,多项式回归模型的预测结果比较符合陕西省实际,全省2015和2020年粮食产量略有增加。     

时间序列分析在儋州橡胶产量预测上的运用

运用时间序列方法对海南省儋州市1980～2003年的天然橡胶干胶产量情况进行分析.以此建立并验证儋州市天然橡胶干胶产量预测模型,并运用该模型对2004～2010年的橡胶干胶产量进行预测.结果表明:建立的模型能基本反映儋州橡胶产量的基本规律;但是随着预测时间的推移,以及其他因素的影响,预测结果的准确性随之下降,因此必须将...     

河北省分季粮食产量预测研究

在综合分析河北省粮食产量影响因素的基础上,运用回归分析、时间序列分析和专家经验分析等预测和决策方法,建立了河北省粮食总产和夏粮的多因素预测模型,该模型的拟合优度高于其他模型。应用模型预测了2013年河北省粮食总产和分季粮食产量,结果表明,若不发生大面积的自然灾害,2013年河北省粮食总产将达到3311.7万t,比2012年增加65.1万t,增长2.0%。其中,夏粮产量约为1366.8万t,比2012年增加13.7万t,增长1.0%;秋粮产量约为1944.9万t,比2012年增加51.4万t,增长2.7%。     

粮食产量预测的分形方法

利用分形(fractal)方法确定一个代表粮食产量变化的时间序列的分数维，从而得到对粮食产量的一个预测方法，并根据历史资料，用此方法计算了2004年至2010年我国粮食产量的预测值，并用基于R／S分析的预测方法进行了验证。     

美国粮食和耕地变化及其趋势分析

本文基于最小耕地面积和压力指数对2000—2013年美国耕地面积和粮食产量数据进行现状分析,在此基础上利用BP神经网络模型对2014—2015年数据进行精度测算,最后运用该模型预测美国2016—2020年数据,实证结果表明,2000—2013年美国耕地面积呈波动下降趋势,水稻、大豆等农产品呈波动上升趋势。BP神经网络具有误差小、精度高的特征,因此,本文运用该模型预测未来5年美国耕地及农产品产量状况,2016—2020年美国耕地面积呈下降态势,农产品产量呈小幅度持续上升态势。     

FAO对2004/05年度世界谷物生产及贸易状况的预测

1.对谷物产量的预测据联合国粮农组织预测:2004年世界谷物产量将大幅增长,达19.56亿t,比上年增长3.7%。其中增产的一大部分来自小麦产量,预测增长6.3%,达5.95亿t,明显高于前5年的平均产量。欧洲的产量在2003年旱灾之后大幅回升,加之亚洲的小幅增长,将抵消北美洲和大洋洲预计减产的幅度有余。在粗粮方面,2004年将连续第三年增产,达9.51亿t,这将比2003年增产2.1%并创下世界总产量的新纪录。2004年世界稻米产量也将达到4.1亿t,比2003年增产3.7%。增产的相当大部分则来自中国,这与中国政府为扭转粮食产量下滑的趋势而采取的一系列有力措施有关。…     

基于HJ小卫星影像的北京市冬小麦测产研究

粮食产量的估测对制定粮食政策和调整种植结构具有重要的意义。本研究以北京市为例,利用2013年4月30日、5月12日和5月29日三期冬小麦抽穗、灌浆时期的HJ小卫星NDVI数据,结合北京市实产地块数据建立了北京市冬小麦估产回归模型,并对北京市各区县和北京全市的冬小麦单产进行了估算。结果显示:分区县地块回归的北京市冬小麦主产区大兴、房山、通州和顺义的小麦单产分别为5148.96 kg/hm2、4849.30 kg/hm2、5350.64kg/hm2和5108.84 kg/hm2,P值分别为0.000、0.000、0.000和0.001;北京市全市的冬小麦单产为5049.24 kg/hm2,精度验证的结果显示实测单产和预测单产具有良好的对应关系,其R2=0.92,RE=2.18%,RMSE=154.61 kg/hm2。以上研究结果表明利用HJ小卫星的NDVI数据可以快速、准确的估算北京市及其各区县的冬小麦单产。     

一种基于趋势单产和遥感修正模型的混合估产模型

【目的】在分析国内外农作物估产方法的相关研究进展基础上,将传统统计估产方法和遥感估产方法相结合,提出一种新的混合估产模型。【方法】该模型由趋势单产、遥感修正单产和随机误差项三部分组成,其中趋势单产利用历史长时间序列的单产统计数据,通过多项式回归的方法结合ARIMA模型修正得到,遥感修正单产利用3个作物关键生育期NDVI和实测单产多元回归得到。为验证所提出估产方法的可行性和精度,利用2015年冬小麦关键生育期的三景环境卫星遥感影像和冬小麦实测地块单产数据以及近30年(1985—2014年)北京市各区县的冬小麦单产数据,对2015年的北京市的冬小麦单产进行估算,与真实值(2015年单产统计数据)对比。【结果】混合估产模型对北京市的冬小麦单产预测精度达到98.7%,各区县估产精度均超过90%,除房山(90.3%)外,各县单产预测相对精度均超过95%;传统趋势单产模型对北京市的冬小麦单产预测精度达到94.75%,但在区县尺度上,传统估产模型预测精度较低,对房山区的估产精度不足80%;引入ARIMA模型可以提高传统趋势单产模型的精度。修正后的趋势单产模型冬小麦单产预测精度平均提高了1.59%。本文建立的遥感修正模型,利用三景遥感影像修正结果最优,此方法使冬小麦估产精度整体提升3.55%,尤其是房山、平谷等区县,精度明显提升。【结论】该模型在市级尺度和县级尺度上预测冬小麦单产均取得较高精度,充分考虑冬小麦时间尺度和空间尺度上的变化,对农作物估产有一定的指导意义。     

陕西省粮食播种面积及其产量动态与预测

基于统计数据阐述了陕西省的粮食播种面积变化及产量状况,在分析了粮食播种面积、夏秋粮播种面积及小麦和玉米播种面积变化的基础上,探讨了相应的粮食产量变化及其影响因素,并利用DPS软件建立回归分析模型和GM(1,1)模型预测了未来10年粮食产量趋势,比较了2个模型预测结果的可靠性。研究结果表明,全省农作物、粮食、夏粮和秋粮播种面积均有所下降,分别减少了55.78×10⁴和105.24×104和105.24×10⁴、70.33×104、70.33×10⁴和34.7×104和34.7×10⁴hm4hm²,年均减少量分别为0.90×102,年均减少量分别为0.90×10⁴、1.73×104、1.73×10⁴、1.13×104、1.13×10⁴和0.56×104和0.56×10⁴hm4hm²,且夏粮比例下降,秋粮比例上升。全省粮食总产量增加了833.9×102,且夏粮比例下降,秋粮比例上升。全省粮食总产量增加了833.9×10⁷kg,年均增长13.67×107kg,年均增长13.67×10⁷kg,其中关中地区粮食产量占全省产量比例最高,各地市的粮食产量以渭南市最高,其次是西安市,铜川市最低。夏粮、秋粮、小麦和玉米产量分别增加了277.3×107kg,其中关中地区粮食产量占全省产量比例最高,各地市的粮食产量以渭南市最高,其次是西安市,铜川市最低。夏粮、秋粮、小麦和玉米产量分别增加了277.3×10⁷、556.6×107、556.6×10⁷、270.3×107、270.3×10⁷和476.2×107和476.2×10⁷kg。机耕面积、水浇地面积、化肥施用量和复种指数对粮食产量影响较大。通过对模型结果的分析,多项式回归模型的预测结果比较符合陕西省实际,全省2015和2020年粮食产量略有增加。     

马尔可夫链在吉林省高粱单产年景预测中的应用

利用马尔可夫链对吉林省1978—2004年高粱产量进行研究,并对2005年进行产量预测,结果表明1978—2004年和2005年的产量全部为状态5,与实际结果相符,说明运用马尔可夫链对于区间预测是可行的。     

大白菜失宠为哪般

据2004年北京市冬储大白菜集中上市的价格表显示,2004年北京市冬储大白菜的平均批发价为0.19元/kg,比2003年同期的0.49元/kg下降了将近2/3。据北京市农药检定所副所长潘洪吉介绍:在冬储大白菜上市之前,该所对4个区县163个大白菜进行了检测,所抽检样品全部合格,合格率为100%。那     

天水地区粮食生产对气候变化的响应

收集1978～2010年天水市7个县(区)农业生产资料和气象站逐日气温、降水资料,应用柯布-道格拉斯生产函数方法将粮食产量分解为气候产量和经济产量,然后用数理统计方法分析了粮食产量、气候影响程度指数、≥10℃积温、生长季降水的年际变化特征及其关系。结果表明,33年间天水粮食产量呈稳步增加趋势;气候变化为温度上升、降水减少趋势,≥10℃积温、降水大约在1993年出现明显上升和下降转折点;气候变暖对粮食生产有利,降水减少对粮食生产不利;33年间气候影响程度总体趋势增大,且年际差异明显,1993年之前积温、降水对产量的影响程度为正贡献,1994～2000年积温增多、降水减少对粮食产量为负贡献,2000年之后为正贡献。≥10℃积温、生长季降水对粮食产量的影响以积温更为敏感。     

粮食产量预测的因子处理和建模方法

从粮食产量统计预测法模型的基本模式：y=yt yw △y出发介绍了粮食产量预测因子的选择,因子相关和平稳性检验,因子膨化和线性化处理,趋势因子和趋势产量的分离,趋势产量的模拟,趋势产量的外延,波动产量的预测,预测误差的修正,多个预测结果的综合集成的主要数学模型、算法及其部分推导过程。文中所涉及的数学模型和算法均经过实际应用检验证明其行之有效,这些数学模型和算法对其它预测问题亦有借鉴作用。     

重庆市人口 耕地 粮食可持续发展问题研究

通过对1997~2007年重庆市人口数量、耕地面积和粮食产量的动态分析,以及采用spss预测方法对未来的2010年、2020年重庆市人口数量、耕地面积和粮食产量的发展趋势进行预测,结果显示,过去的10年,重庆市的人口持续增长、耕地面积逐年减少,人均粮食产量有所降低。未来的10年,该市的耕地面积还将进一步减少,人口会有所增加,人均粮食产量将有所减少。因此,应提高人口素质,遏止耕地减少势头,提高耕地质量,增加粮食单产。     

灰色GM(1∶1)模型在定西县粮食产量预测中的应用

以7年为一周期对定西县43年粮食产量进行平滑处理,消除了不确定因素的影响,建立了定西县1958~2000年粮食平均产量的GM(1∶1)灰色模型,并应用该模型对定西县粮食生产变化趋势做了预测,结果表明:1999~2006年和2007~2013年两个周期中定西县粮食产量预测值分别为:1 719 kg/hm2和2 229 kg/hm2。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。