融合多生育期气象特征的小麦产量深度学习预测方法OA

小麦是保障粮食安全的重要作物,河南安阳作为黄淮海麦区典型代表,其产量受气象因子影响显著。针对现有产量预测模型存在气象特征提取粗放、生育期机制融合不足、关键气象信息利用不充分等问题,以安阳市冬小麦为对象,提出一种融合多生育期气象特征的深度学习预测方法(MSMF-DNN)。该方法系统考虑小麦全生育周期的气象影响,将其划分为播种期、分蘖期、拔节期、孕穗期、灌浆期、成熟期等6个阶段,针对每个阶段提取日照时数、气温、地温、降水量、风速等气象统计特征,通过深度神经网络的多层特征学习实现对产量的精确预测。基于安阳历史小麦产量及气象数据的验证结果表明,MSMF-DNN模型的决定系数(R^(2))为0.95,平均绝对百分比误差(MAPE)为1.54%,均方根误差(RMSE)为117.65kg/hm^(2),平均绝对误差(MAE)为101.65kg/hm^(2)。上述指标表明,该模型的拟合与泛化能力显著优于传统方法,可有效识别“倒春寒”、持续干旱、连阴雨等极端天气事件对产量的影响。综上,MSMFDNN模型能够有效捕捉多生育期气象要素对小麦产量的综合影响,具有预测精度高、稳定性好的特点,展现出较强的泛化能力和实际应用价值。本研究可为小麦产量预测提供新的技术途径,也可为农业气象预测模型的机理融合设计提供参考。