-
题名基于StaMaLSTM和多源数据的玉米产量预测
- 1
-
-
作者
刘月峰
刘世峰
张振荣
-
机构
许昌陶瓷职业学院信息与机电工程学院
河南农业大学信息与管理科学学院
郑州大学信息工程学院
-
出处
《中国农机化学报》
北大核心
2025年第9期81-90,共10页
-
基金
国家自然科学基金(32072077)。
-
文摘
提前且准确地预测作物产量对于保障粮食安全、优化资源分配和稳定市场价格具有关键性意义。传统的产量预测方法主要基于单一变量数据建模,并常忽略数据间的时序关系,导致预测稳定性与准确性不足。为此,使用2010—2022年黑龙江、辽宁和山东等6个省份的地级市玉米产量数据,结合相应的气候、植被、土壤及空间地形数据,构建基于注意力机制和长短时记忆网络的堆叠模型(StaMaLSTM)进行玉米产量预测。研究发现:在玉米产量预测的多时间步长对比试验中,StaMaLSTM模型在时间步长T=2时表现最优;引入注意力机制的StaMaLSTM模型的归一化均方根误差NRMSE为16.53%、平均绝对误差MAE为8.72、平均绝对百分比误差MAPE为7.27%、决定系数R2为0.995,性能超过传统LSTM和CNN深度学习模型,以及SVM和RF机器学习模型;在移除任何一类数据后,StaMaLSTM、LSTM和CNN模型的预测误差均上升,但较为稳定。相比之下,SVM和RF模型在数据缺失情况下预测结果波动较大,尤其是缺少气候数据时影响最为显著,其次是土壤数据,而植被和地形数据的影响则因模型而异。为作物产量预测提供新途径,并对其他作物的预测具有重要指导意义。
-
关键词
玉米产量预测
多源数据
深度学模型
注意力机制
长短时记忆网络
-
Keywords
corn yield prediction
multi-source data
deep learning models
attention mechanism
long short-term memory network
-
分类号
S513
[农业科学—作物学]
-
