基于多种机器学习模型的石河子棉区棉花产量预测研究

摘要

气候变化加剧了作物产量预测的不确定性，传统预测模型在处理复杂数据和长期预测时具有局限性。以新疆石河子棉区为研究对象，基于1983—2021年气象资料、棉花种植面积以及单产统计数据，运用K-近邻、梯度提升机、随机森林以及单层神经网络4种机器学习模型，以均方根误差（RMSE）、归一化均方根误差（NRMSE）、模型效率指数（EF）和决定系数（R2）作为评判模型预测效能的指标，针对棉花产量预测的复杂性，构建能综合分析多因素交互效应的产量预测模型，以期为作物产量预测提供新方法。结果表明：在单项模型学习效果方面，随机森林、梯度提升机和单层神经网络表现最优，K-近邻模型预测效果较差。随机森林、梯度提升机和单层神经网络集成模型在学习和预测效果上均优于各单项模型。NRMSE分别为6.38、7.91%,RMSE分别为109.4和114.67(kg·hm-2),EF和R2均大于0.95，表明集成模型可为石河子棉区棉花产量预测提供一种全新、高效的方法。同时，仍需探索更合理的模型融合策略，不断优化算法，进一步提高预测结果的准确度和稳定性。

关键词

棉花 / 机器学习 / 产量预测 / 气候变化