|本期目录/Table of Contents|

[1]刘合兵,王垒,王一飞,等.基于PSO-SVR模型的河南省小麦产量预测方法[J].江苏农业科学,2023,51(8):157-163.
　Liu Hebing,et al.Study on wheat yield prediction method based on PSO-SVR model in Henan Province[J].Jiangsu Agricultural Sciences,2023,51(8):157-163.
点击复制

基于PSO-SVR模型的河南省小麦产量预测方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第8期
页码:
157-163
栏目:
农业工程与信息技术
出版日期:
2023-04-20

文章信息/Info

Title:
Study on wheat yield prediction method based on PSO-SVR model in Henan Province
作者:
刘合兵1; 王垒1; 王一飞1; 席磊1; 2
1.河南农业大学信息与管理科学学院，河南郑州 450046； 2.农田环境监测与控制河南省工程实验室，河南郑州 450046
Author(s):
Liu Hebing; et al
关键词:
小麦产量预测; 粒子群算法; SVR; BP; Elman
Keywords:
-
分类号:
S126
DOI:
-
文献标志码:
A
摘要:
小麦生产是河南省农业生产中的重要环节，在维持粮食供应和安全方面发挥着重要作用。对小麦产量进行准确预测可以为农业经济调控、政策制定提供重要性信息。为提高小麦产量预测精度，综合考虑影响小麦产量的相关因素，基于皮尔逊相关系数分析特征变量与产量之间的相关性。选取支持向量回归(support vector regression，SVR)模型解决小麦估产中的复杂性、非线性及小样本等问题。引入粒子群算法(particle swarm optimization，PSO)对SVR模型的惩罚因子(c)和核参数(g)进行优化，提高SVR模型的预测精度。以河南省1978—2019年小麦产量数据及其特征变量数据构建数据集，并与BP、Elman等神经网络模型及优化模型进行对比仿真试验。结果表明，PSO对SVR模型的优化效果明显高于传统的神经网络，PSO-SVR模型预测结果的4项评价指标均优于其他模型。其中，PSO-SVR模型的平均绝对百分比误差MAPE为0.87%，与SVR模型相比误差降低了57.4%、与PSO-BP模型相比误差降低了64.8%。PSO-SVR模型能够提高小麦产量预测精度，稳定性好，可为小麦产量预测提供新的思路与方法，具有较好的应用推广价值。
Abstract:
-

参考文献/References:

［1］Fayaz A，Kumar Y R，Lone B A，et al. Crop simulation models：a tool for future agricultural research and climate change［J］. Asian Journal of Agricultural Extension，Economics & Sociology，2021：146-154.
［2］Xu X Y，Gao P，Zhu X K，et al. Design of an integrated climatic assessment indicator (ICAI) for wheat production：a case study in Jiangsu Province，China［J］. Ecological Indicators，2019，101：943-953.
［3］Qiming Z，Ali I. Integration of maximum crop response with machine learning regression model to timely estimate crop yield［J］. Geo-spatial Information Science，2021，24(3)：474-483.
［4］吴冰洁，王靖，唐建昭，等. 华北平原冬小麦产量变异的气象影响因子分析［J］. 中国农业气象，2018，39(10)：623-635.
［5］Ruan G J，Li X Y，Yuan F，et al. Improving wheat yield prediction integrating proximal sensing and weather data with machine learning［J］. Computers and Electronics in Agriculture，2022，195：106852.
［6］王飞龙，王福民，胡景辉，等. 基于相对光谱变量的无人机遥感水稻估产及产量制图［J］. 遥感技术与应用，2020，35(2)：458-468.
［7］Franch B，Vermote E F，Skakun S，et al. Remote sensing based yield monitoring：application to winter wheat in United States and Ukraine［J］. International Journal of Applied Earth Observation and Geoinformation，2019，76：112-127.
［8］余新华，赵维清，朱再春，等. 基于遥感和作物生长模型的多尺度冬小麦估产研究［J］. 光谱学与光谱分析，2021，41(7)：2205-2211.
［9］Xie Y，Huang J X. Integration of a crop growth model and deep learning methods to improve satellite-based yield estimation of winter wheat in Henan Province，China［J］. Remote Sensing，2021，13(21)：4372.
［10］陈全润，杨翠红. 河南省粮食产量预测方法研究［J］. 系统科学与数学，2018，38(7)：813-822.
［11］姜新. 河南省粮食产量影响因素和预测方法研究［J］. 中国农学通报，2019，35(1)：154-158.
［12］林滢，邵怀勇. 基于随机森林算法的河南省冬小麦产量预测最佳时间窗和影响因子研究［J］. 麦类作物学报，2020，40(7)：874-880.
［13］王来刚，郑国清，郭燕，等. 融合多源时空数据的冬小麦产量预测模型研究［J］. 农业机械学报，2022，53(1)：198-204，458.
［14］刘峻明，和晓彤，王鹏新，等. 长时间序列气象数据结合随机森林法早期预测冬小麦产量［J］. 农业工程学报，2019，35(6)：158-166.
［15］曾妍，王迪，赵小娟. 基于支持向量回归的关中平原冬小麦估产研究［J］. 中国农业信息，2019，31(6)：10-20.
［16］赵桂芝，赵华洋，李理，等. 基于混沌-SVM-PSO的粮食产量预测方法研究［J］. 中国农机化学报，2019，40(1)：179-183.
［17］高心怡，韩飞. 基于混合智能算法的支持向量机的粮食产量预测［J］. 江苏大学学报(自然科学版)，2020，41(3)：301-306.
［18］李晔，白雪. 基于新维无偏灰色马尔可夫模型的小麦产量预测［J］. 江苏农业科学，2021，49(15)：181-186.
［19］Ali M，Deo R C，Downs N J，et al. Cotton yield prediction with Markov Chain Monte Carlo-based simulation model integrated with genetic programing algorithm：a new hybrid copula-driven approach［J］. Agricultural and Forest Meteorology，2018，263：428-448.
［20］马创，袁野，尤海生. 基于灰色——马尔可夫模型的农产品产量预测方法［J］. 计算机科学，2020，47(S1)：535-539.
［21］赫晓慧，罗浩田，乔梦佳，等. 基于CNN-RNN网络的中国冬小麦估产［J］. 农业工程学报，2021，37(17)：124-132.
［22］刘鹏，郑勇，杨红军. 基于改进神经网络的农作物产量预测方法［J］. 电子技术应用，2019，45(10)：88-91，99.
［23］胡程磊，刘永华，高菊玲. 基于IPSO-BP模型的粮食产量预测方法研究［J］. 中国农机化学报，2021，42(3)：136-141.
［24］郝晓露，张姗姗，朱家明. 基于模糊时序的SVR模型对空气质量的预测［J］. 兰州文理学院学报(自然科学版)，2019，33(4)：17-23，39.
［25］刘阳，谭凯旋，郭钦鹏，等. 运用随机森林和GA-BP神经网络预测岩石爆破块度［J］. 矿业研究与开发，2021，41(1)：135-140.
［26］Liu B，Wu Q L，Cao Q. An improved Elman network for stock price prediction service［J］. Security and Communication Networks，2020，2020：8824430.
［27］周鹤. 基于改进Elman神经网络的水稻生长预测［D］. 扬州：扬州大学，2019.
［28］王嵘冰，徐红艳，李波，等. BP神经网络隐含层节点数确定方法研究［J］. 计算机技术与发展，2018，28(4)：31-35.
［29］Cortes C，Vapnik V. Support-vector networks［J］. Machine Learning，1995，20(3)：273-297.
［30］杜彦斌，胡言峰，许磊，等. 基于PSO-SVR的15-5PH合金粉末激光熔覆层稀释率预测方法［J］. 计算机集成制造系统，2022，28(7)：2169-2178.
［31］Kennedy J，Eberhart R. Particle swarm optimization［C］//Proceedings of ICNN95-International Conference on Neural Networks.Perth：IEEE.：1942-1948.
［32］郭亚菲，樊超，闫洪涛. 基于主成分分析和粒子群优化神经网络的粮食产量预测［J］. 江苏农业科学，2019，47(19)：241-245.
［33］杨冬梅，李竹一，张健楠，等. 基于PSO-BP神经网络的工业装备造型设计研究［J］. 机械设计，2021，38(7)：126-132.
［34］赵丽清，段东瑶，殷元元，等. 基于PSO-Elman算法的茶叶烘干含水率预测［J］. 农业工程学报，2021，37(19)：284-292.
［35］邹浩，窦震海，张博，等. 基于提升小波和改进PSO-Elman神经网络的短期负荷预测［J］. 电测与仪表，2020，57(21)：119-125.

相似文献/References:

[1]陈西亮,张佳华,艾天成.基于支持向量机法提取江汉平原三湖农场棉蚜危害程度的空间分布[J].江苏农业科学,2016,44(09):157.
　Chen Xiliang,et al.Extracted spatial distribution of Aphis gossypii damage based on support vector machine method in Sanhu farm of Jianghan Plain[J].Jiangsu Agricultural Sciences,2016,44(8):157.
[2]徐大明,杜永贵,孙传恒,等.基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型[J].江苏农业科学,2017,45(04):183.
　Xu Daming,et al.Aquaculture ammonia nitrogen concentration prediction model based on improved particle swarm optimization extreme learning machine[J].Jiangsu Agricultural Sciences,2017,45(8):183.
[3]王鹏,龚瑞昆.基于粒子群算法优化PIDNN的温室系统解耦控制[J].江苏农业科学,2018,46(23):241.
　Wang Peng,et al.Study on PID neural network decoupling control of greenhouse system based on PSO[J].Jiangsu Agricultural Sciences,2018,46(8):241.
[4]白元明,孔令成,张志华,等.基于改进OTSU算法的快速作物图像分割[J].江苏农业科学,2019,47(24):231.
　Bai Yuanming,et al.Segmentation of fast crop image based on improved OTSU algorithm[J].Jiangsu Agricultural Sciences,2019,47(8):231.
[5]张宇晗,刘新亮,袁言,等.水产品质量安全风险评估模型[J].江苏农业科学,2020,48(03):231.
　Zhang Yuhan,et al.Study on risk assessment model of aquatic product quality and safety[J].Jiangsu Agricultural Sciences,2020,48(8):231.

备注/Memo

备注/Memo:
收稿日期：2022-04-25
基金项目：河南省科技攻关计划(编号：212102110204、222102110234)；河南省现代农业产业技术体系(编号：S2010-01-G04)；河南省研究生教育改革与质量提升工程项目(编号:YJS2023AL046)。
作者简介：刘合兵(1972—)，男，河南台前人，硕士，副教授，硕士生导师，主要从事数据挖掘方面的研究。E-mail：liuhebing@henau.edu.cn。
通信作者：席磊，硕士，教授，主要从事分布计算与智能系统研究。E-mail：hnaustu@126.com。
更新日期/Last Update: 2023-04-20