共查询到20条相似文献,搜索用时 587 毫秒
1.
新疆奇台县粮食生产影响因素与模拟预测研究 总被引:1,自引:0,他引:1
[目的]分析奇台县粮食生产的影响因素,并对其产量进行预测.[方法]在分析奇台县58年粮食生产动态变化特点的基础上,利用主成分分析法(PCA)探讨了粮食生产的影响因素.[结果]农业科技进步和经济发展、制度政策是影响奇台县粮食生产的两个主要因子;分别建立GM(1,1)模型、ARIMA(1,3,3)模型以及两者的组合模型,拟合了奇台县粮食总产量的动态变化趋势.结果发现组合模型平均相对误差率仅为7;,说明组合模型的模拟精度较高,从而得出2010~2015年奇台县粮食总产预测值.[结论]GM(1,1)模型和ARIMA(1,3,3)模型两者组合的模型预测精度高于单个模型的预测精度.2015年该县粮食产量将达到52.1×104 t. 相似文献
2.
3.
《河南农业》2020,(26)
深入了解陕西省粮食产量的变化情况,探究影响陕西省粮食产量的主要因素,为粮食安全政策构建提供科学合理理论参考。本文选取陕西省1999—2019年的粮食产量数据作为基础数据,采用GM (1,1)预测模型对未来5年(2020—2024年)陕西省粮食产量进行预测分析。研究结果表明,陕西省粮食产量变化趋势为波动型增长,单位面积粮食产量和人均粮食产量的变化情况与粮食总产量变化趋势基本保持一致。灰色GM (1,1)模型预测结果显示,2020—2024年陕西省粮食产量将呈现小幅稳步增长的发展趋势。模型平均相对预测误差模型平均相对误差Δ=0.03370.10,预测精度较高。 相似文献
4.
《河南农业大学学报》2015,(4)
以河南省1978—2013年的粮食产量为依据,利用灰色系统理论对河南省未来的粮食产量变化趋势进行了预测。首先在MATLAB中实现不同维数GM(1,1)模型相关参数的计算,然后把预测精度最高的7维常规GM(1,1)模型改进成等维新息GM(1,1)模型,经检验该模型精度等级为好,并预测出河南省2015—2020年的粮食产量。结果表明,等维新息GM(1,1)模型比常规GM(1,1)模型具有更高的预测精度,河南省未来5年的粮食产量仍保持增长趋势,但年平均增幅为1.43%,增产潜力较低。 相似文献
5.
粮食产量影响因素的动态分析与预测——以福建省1984-2013年数据为例 总被引:2,自引:0,他引:2
根据1984-2013年农业统计数据,利用GM(1,1)模型对2014-2023年福建省粮食产量及其影响因素进行预测.通过对1984-2013、2006-2013和2014-2023年3个阶段内自然、科技、经济及政策因素对粮食产量的影响进行分析,提出政策建议,为福建省粮食生产的持续发展和科学决策提供借鉴.结果表明,①在微观层面,1984-2013年间粮食播种面积、农村劳动力人数和有效灌溉面积对粮食产量影响较大;2006-2013年粮食播种面积依然是影响粮食生产的关键因素,但化肥施用量和粮价的影响程度超过了农村劳动力人数和有效灌溉面积;2014-2023年自然灾害和化肥施用量超过粮食播种面积成为关键因素.②在宏观层面,1984-2013年自然条件的影响最大,其次是经济和科技因素;2006-2013年科技因素的影响相对上升,但政策因素的影响十分微弱;2014-2023年自然和经济因素的影响相对上升,且后者上升得更为明显. 相似文献
6.
灰色线性回归组合模型在河南省粮食产量预测中的应用 总被引:7,自引:1,他引:6
河南省粮食生产变化的波动较大,单一的GM(1,1)模型不能详尽描述其变化规律及预测未来趋势,采用线性回归方程以及由GM(1,1)模型得到的时间响应序列方程和组成的灰色线性回归预测模型,弥补了线性回归模型中没有指数增长趋势和GM(1,1)模型中没有线性因素的不足。利用河南省2000-2007年的粮食产量统计数据,建立了河南省粮食产量的灰色组合预测模型,并根据模型预测出河南省2008-2012年的粮食产量,实例证明,该模型的预测精度为97.9%,模型的预测精度高。 相似文献
7.
根据2005~2013年黑龙江省统计资料,运用灰色关联方法对影响粮食生产的各个因素进行分析,并运用GM(1,1)模型预测未来几年黑龙江省的粮食总产量及其影响因素。结果表明,8个主要影响因素与黑龙江省粮食产量显著相关,其中农村用电量、农药施用量和粮食播种面积对粮食产量的影响最大;预测结果显示,未来几年黑龙江省的粮食总产量将会持续增加,有效灌溉面积、农村用电量和农业机械总动力将会成为影响黑龙江省粮食生产的3个最为重要的因素。根据分析结果提出相关建议,为今后黑龙江省农业可持续发展提供参考。 相似文献
8.
引入工业污染和城镇化进程在粮食生产活动中的影响,通过灰色关联分析获取影响粮食产量的主要因素,建立GM(1,N)灰色系统模型对江苏省1996—2010年的粮食产量进行预测,与GM(1,1)模型对比结果表明,其拟合值平均相对误差较小,预测精度较高,可为未来粮食生产提供科学的指导。 相似文献
9.
中国粮食产量的无偏灰色GM(1,1)模型与预测 总被引:2,自引:2,他引:0
根据《中国统计年鉴-2008》等最新统计数据,建立改进的无偏灰色GM(1,1)模型,并对2009~2015年中国粮食产量进行实证分析和预测。结果表明,所建模型简化了建模步骤,提高了预测精度,预测结果符合中国粮食生产实际。 相似文献
10.
基于GM(1,1)模型的四川粮食产量预测研究 总被引:2,自引:0,他引:2
中国人口众多,粮食安全关系到国计民生,加强粮食产量预测有利于确保粮食安全。根据2001—2015 年四川粮食产量的历史数据,运用灰色系统理论,建立基于弱化缓冲算子的GM(1,1)预测模型,通过残差、级比偏差、关联度、后验差检测、模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3 年的粮食产量。研究结果表明,灰色系统理论GM(1,1)适用于粮食产量预测且具有较高的精度。预测了2016、2017、2018 年的粮食产量同比增长分别为-2.11%、-0.39%和1.21%,由此得出未来粮食产量将在波动中增长。 相似文献
11.
12.
13.
研究基于1970 ~2009年且末绿洲变化特征、现状及存在的问题,选取影响该绿洲变化的9个社会经济指标,利用因子分析法,分析且末绿洲动态变化的驱动力因素,最后通过灰色GM(1,1)对未来20年的绿洲面积动态变化进行预测.结果表明,影响且末绿洲动态变化的驱动力归纳为人口变化因素、经济发展因素和农业成产条件因素;灰色GM(1,1)模型对绿洲未来动态变化趋势预测得出,规划的近期水平年2010年和远期目标年2030年且末绿洲面积的预测结果分别为1 014.24和2 248.23 hm2,绿洲面积预测模型模型精度达到一级标准. 相似文献
14.
《江苏农业科学》2016,(12)
由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。 相似文献
15.
组合预测在吉林省粮食产量预测中的应用 总被引:1,自引:0,他引:1
利用吉林省1952~2009年粮食产量的统计数据,将指数平滑模型和GM(1,1)预测模型加以组合,建立了吉林省粮食产量的预测模型。同时,对吉林省2010~2015年粮食产量和年均增长率进行了预测,为吉林省未来的农业发展规划提供合理依据。 相似文献
16.
17.
18.
秋冬连旱是影响宿州冬小麦、油菜等越冬作物生长发育的重要因素。以Z指数≤一0.8为标准,确定宿州市秋冬持续重旱年份序列,建立GM(1,1)预测模型,并应用BP人工神经网络(BP—ANN)对残差进行拟合,对GM(1,1)预测模型进行修正。结果表明,拟合结果较单一的GM(1,1)模型有一定提高。预测2008年后的下一个宿州市秋冬(10月-2月)持续重旱年度发生在2017~2018年,对当地农业生产和防灾减灾有一定的参考价值。 相似文献
19.
20.
利用灰色系统理论的预测和决策功能,对粮食产量进行统计和预测。结果表明:用GM(1,1)模型对粮食产量预测,建模简单,预测精度高,在预测粮食产量、气候变化、农田灾害等方面有较大的实用意义。 相似文献