基于机器学习与气象灾害指标的苹果相对气象产量预测

作者：罗琦; 茹晓雅; 姜元; 冯浩; 于强; 何建强^*

来源：农业机械学报, 2023, 54(09): 352-364.

• 苹果
• 产量预测
• 机器学习
• 气象灾害
• 黄土高原

为及时准确地预测我国黄土高原苹果产量，首先选取黄土高原苹果产区86个基地县的气象观测数据，分别提取出苹果生长季内不同月份的气温、降水量、太阳辐射等气象特征变量，花期冻害时间、连阴雨时间和标准化降水蒸发指数(Standardized precipitation evapotranspiration index, SPEI)等气象灾害特征变量，以及气象站点经度、纬度和高程等空间特征变量，再根据斯皮尔曼相关性分析确定影响苹果产量的最重要气象特征变量。然后，采用梯度提升树(Gradient boosting decision tree, GBDT)、支持向量机(Support vector machine, SVM)、贝叶斯正则化反向传播神经网络(Bayesian regularization back propagation artificial neural network, BRBP)和多元线性回归(Multiple linear regression, MLR)算法，建立苹果相对气象产量的预测模型，并确定最佳模型输入特征变量组合。最后，基于不同生育期和生长季内各月份最佳模型输入特征变量组合，分析不同模型预测苹果相对气象产量的提前期。结果表明：影响苹果相对气象产量的最重要气象特征变量为最高气温、最低气温、空气相对湿度、降水量和太阳辐射；最佳模型输入变量组合为最重要气象特征变量、空间特征变量和灾害特征变量；基于最佳模型输入变量组合，GBDT和BRBP模型精度较好(相关系数r为0.77,均方根误差(RMSE)为0.44;r为0.70,RMSE为0.44),而MLR模型表现最差(r为0.63,RMSE为0.49)。在苹果不同生育期内，GBDT和BRBP模型在各个生育期内均能获得相对较高的苹果相对气象产量预测精度，SVM和MLR模型可在果实膨大期获取较为理想的苹果相对气象产量模拟结果。在苹果生长季内各月份，GBDT、SVM、BRBP和MLR模型可在苹果成熟期前1～2个月实现对苹果相对气象产量的早期预测。本研究可为黄土高原苹果产量早期产量预测提供科学依据和技术参考。

• 单位
  中国科学院水利部水土保持研究所; 陕西省气象局; 西北农林科技大学; 黄土高原土壤侵蚀与旱地农业国家重点实验室