基于Stacking集成算法的中国南方地区粮食产量预测

doi:10.14088/j.cnki.issn0439-8114.2025.05.024

湖北农业科学 ›› 2025, Vol. 64 ›› Issue (5): 155-159.doi: 10.14088/j.cnki.issn0439-8114.2025.05.024

基于Stacking集成算法的中国南方地区粮食产量预测

马滇璟¹, 赵家松¹, 严伟榆¹, 段光俊¹, 刘振洋², 吴绍天¹

1.云南农业大学大数据学院,昆明 650201;
2.昆明城市学院数据科学与工程学院,昆明 650032

收稿日期:2024-11-18 出版日期:2025-05-25 发布日期:2025-06-11
通讯作者: 赵家松(1975-),男,云南昆明人,副教授,博士,主要从事数据挖掘、人工智能与农业应用等工作,(电话)13033399944(电子信箱)zhaojiasong@ynau.edu.cn。
作者简介:马滇璟（2000-）,女,云南红河人,硕士,主要从事粮食产量预测研究,（电话）15287300714（电子信箱）1838437565@qq.com
基金资助:
云南省农业基础研究联合专项基金资助项目（202301BD070001-202）; 云南农业大学博士科研启动基金资助项目（A2032002507）

Grain yield prediction in southern China based on Stacking ensemble algorithm

MA Dian-jing¹, ZHAO Jia-song¹, YAN Wei-yu¹, DUAN Guang-jun¹, LIU Zhen-yang², WU Shao-tian¹

1. School of Big Data, Yunnan Agricultural University, Kunming 650201, China;
2. School of Data Science and Engineering, Kunming City College, Kunming 650032, China

Received:2024-11-18 Published:2025-05-25 Online:2025-06-11

摘要/Abstract

摘要： 基于中国南方地区1998—2022年安徽省、湖北省、湖南省、江苏省和四川省的粮食产量及11个维度的相关因素数据,构建基于Stacking集成算法的BP-SVR-Stacking粮食产量预测模型,并将其与BP神经网络模型和SVR模型进行对比分析。结果表明,BP-SVR-Stacking模型的平均绝对误差（MAE）和平均绝对百分比误差（MAPE）均低于BP神经网络模型和SVR模型,说明BP-SVR-Stacking模型的预测能力优于单一的机器学习模型。相较于BP神经网络模型和SVR模型,BP-SVR-Stacking模型的决定系数（R²）分别提高了0.124和0.122,说明BP-SVR-Stacking模型具有良好的拟合能力和预测性能。

关键词: Stacking集成算法, 粮食产量, 中国南方, 预测

Abstract: Based on the grain yield data and 11-dimensional relevant factors from Anhui, Hubei, Hunan, Jiangsu, and Sichuan provinces in southern China between 1998 and 2022,the BP-SVR-Stacking grain yield prediction model based on the Stacking ensemble algorithm was developed and comparatively analyzed with the BP neural network model and SVR model. The results indicated that the mean absolute error (MAE) and mean absolute percentage error (MAPE) of the BP-SVR-Stacking model were significantly lower than those of the BP neural network model and SVR model,which demonstrated the superior prediction capability of the BP-SVR-Stacking model over single machine learning models. Compared with the BP neural network model and SVR model, the coefficient of determination (R²) of the BP-SVR-Stacking model increased by 0.124 and 0.122 respectively,suggesting that the BP-SVR-Stacking model possessed excellent fitting capability and prediction performance.

Key words: Stacking ensemble algorithm, grain yield, southern China, prediction

中图分类号:

F326.11
S126

马滇璟, 赵家松, 严伟榆, 段光俊, 刘振洋, 吴绍天. 基于Stacking集成算法的中国南方地区粮食产量预测[J]. 湖北农业科学, 2025, 64(5): 155-159.

MA Dian-jing, ZHAO Jia-song, YAN Wei-yu, DUAN Guang-jun, LIU Zhen-yang, WU Shao-tian. Grain yield prediction in southern China based on Stacking ensemble algorithm[J]. HUBEI AGRICULTURAL SCIENCES, 2025, 64(5): 155-159.

参考文献

[1] 刘浩然,吴克宁,宋文,等.黑龙江粮食产能及其影响因素研究[J].中国农业资源与区划,2019,40(7): 164-170.
[2] 宋洪远,江帆.基于稳产视角的粮食安全:现实基础、主要问题和对策建议[J].中国工程科学, 2024,24(5): 178-189.
[3] 蔡承智,杨春晓,莫洪兰,等.基于ARIMA模型的中国水稻单产预测分析[J].杂交水稻,2018,33(2): 62-66.
[4] 李修华,李婉,张木清,等.基于田间环境及气象数据的甘蔗产量预测方法[J].农业机械学报,2019,50(S1):233-236.
[5] 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.
[6] KHAKI S,WANG L Z,ARCHONTOULIS S V.A CNN-RNN framework for crop yield prediction[J].Frontiers in plant science, 2019, 10:1750.
[7] 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.
[8] 于珍珍,邹华芬,于德水,等.融合田间水热因子的甘蔗产量GA-BP预测模型[J].农业机械学报,2022, 53(10):277-283.
[9] 郑颖颖,李鑫,陈延旭,等.基于Stacking多模型融合的极端天气短期风电功率预测方法[J].高电压技术,2024,50(9): 3871-3882.
[10] 史佳琪,张建华.基于多模型融合Stacking集成学习方式的负荷预测方法[J].中国电机工程学报,2019,39(14):4032-4042.
[11] HE Y Y, XIAO J L, AN X L, et al.Short-term power load probability density forecasting based on GLRQ-Stacking ensemble learning method[J].International journal of electrical power and energy systems,2022,142:108243.
[12] HANKGOD O,OMAIR M S.CARD-B: A stacked ensemble learning technique for classification of encrypted network traffic[J].Computer communications,2022,190:110-125.
[13] QU N, LI Z Z, LI X X, et al.Multi-parameter fire detection method based on feature extraction and stacking ensemble learning model[J].Fire safety journal,2022,128: 103541.
[14] KARTHIK R, MENAKA R, KATHIRESAN G S, et al.Gaussian dropout based stacked ensemble CNN for classification of breast tumor in ultrasound images[J].IRBM,2022,43(6):715-733.
[15] 李想,戴维,高红菊,等.基于BP神经网络的粮食产量与化肥用量相关性研究[J].农业机械学报,2017,48(S1):186-192.
[16] 曾庆扬,丁楚衡,谷战英,等.基于BP神经网络的油茶产量预测模型构建[J].经济林研究,2022,40(3): 87-95.
[17] 窦文豪,孙三民,徐鹏翔.基于Stacking集成学习的枣树智能灌溉系统设计与试验[J].中国农机化学报,2024,45(6):270-276.
[18] 张海洋,张瑶,李民赞,等.基于BSO-SVR的香蕉遥感时序估产模型研究[J].农业机械学报,2021,52(S1):98-107.
[19] 孟春阳,谢劭峰,魏朋志,等.利用AO-SVR模型预测PM_2.5浓度[J].大地测量与地球动力学,2023,43(3):269-274.
[20] 李晋泽,赵素娟,李宁,等.基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测[J].科学技术与工程,2024,24(4):1425-1432.
[21] YU J H, PAN R S, ZHAO Y M.High-dimensional, small-sample product quality prediction method based on MIC-Stacking ensemble learning[J].Applied sciences, 2022,12(1):23.
[22] WU T A, ZHANG W, JIAO X Y, et al.Evaluation of stacking and blending ensemble learning methods for estimating daily reference evapotranspiration[J].Computers and electronics in agriculture, 2021, 184: 106039.
[23] 王德营,胡威,吴通,等.基于Stacking集成学习的CANDU堆通道功率预测研究[J].核动力工程,2024,45(S1):72-77.
[24] 史佳琪. 区域综合能源系统供需预测及优化运行技术研究[D].北京:华北电力大学,2019.
[25] 姜宇,马廷淮.基于CNN-LSTM-Attention网络的河南省冬小麦产量预测[J].麦类作物学报,2024,44(10) :1352-1359.

基于Stacking集成算法的中国南方地区粮食产量预测

Grain yield prediction in southern China based on Stacking ensemble algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	林琳, 高肇天, 丁一家, 胡小龙, 张中彬. LSTM和EnKF在农业土壤降雨径流模拟中的应用[J]. 湖北农业科学, 2025, 64(5): 70-79.
[2]	谢琪, 张太红, 刘海朋. 基于iTransformer与LSTM模型融合的农场气温多步预测[J]. 湖北农业科学, 2025, 64(5): 134-140.
[3]	田宇, 崔东文. TVFEMD寻优分解与智能算法优化的FLN土壤含水量预测[J]. 湖北农业科学, 2025, 64(5): 147-154.
[4]	米渊博, 徐栋, 方贺. 基于Markov预测模型的1989—2037年嘉兴市景观生态格局时空变化特征[J]. 湖北农业科学, 2025, 64(4): 100-107.
[5]	李立志, 沈立东, 赵炜, 徐荣照, 马俊, 董省身. 环境温湿度对烘丝入口水分的影响规律及预测控制[J]. 湖北农业科学, 2025, 64(4): 164-170.
[6]	柴婧, 苏向辉, 马瑛, 杨凯栋. 昌吉州人口-土地-经济城镇化耦合协调发展分析与预测[J]. 湖北农业科学, 2025, 64(2): 51-57.
[7]	陈梦茜, 王承武, 闫天亮. 多情景下昌吉市生态系统服务价值预测及权衡协同研究[J]. 湖北农业科学, 2025, 64(1): 16-22.
[8]	商晓剑, 张瑞. 基于麻雀搜索算法优化的四种神经网络模型在三七茎粗预测中的效果评估[J]. 湖北农业科学, 2024, 63(8): 72-77.
[9]	王亿, 曹姗姗, 孙伟, 胡博, 古丽米拉·克孜尔别克, 孔繁涛. 融合Transformer和LSTM的蓝莓根区土壤含水量预测模型[J]. 湖北农业科学, 2024, 63(8): 78-84.
[10]	李博, 张婧婧, 雷嘉诚, 杜云. 基于集成学习算法和WOFOST模型的小麦生长模拟分析与产量预测[J]. 湖北农业科学, 2024, 63(8): 85-91.
[11]	梁泽, 曹姗姗, 孔繁涛, 孙伟. 基于CNN-BiLSTM和残差注意力的县域水稻产量预测模型[J]. 湖北农业科学, 2024, 63(8): 109-115.
[12]	杜云, 张婧婧, 韩博, 鲁子翱. 基于小样本的小麦施氮量预测方法[J]. 湖北农业科学, 2024, 63(8): 116-120.
[13]	尚俊平, 李文浩, 席磊, 刘合兵. 基于EMD-PSO-ARIMA模型的农产品价格预测[J]. 湖北农业科学, 2024, 63(8): 121-125.
[14]	王泳智, 田鹏, 李富生, 孙吉红, 孙陈, 刘振洋, 刘念, 钱晔. 基于智能算法的云南甘蔗产量预测[J]. 湖北农业科学, 2024, 63(8): 126-131.
[15]	马楠, 蔡朝朝, 白涛. 基于机器学习的新疆植被覆盖变化及其影响因子之间的关系[J]. 湖北农业科学, 2024, 63(8): 216-222.