基于CNN-LSTM模型的豫北地区冬小麦产量预测

摘要

为探究利用遥感技术和深度学习方法实现大范围内冬小麦产量早期准确预测的可行性，以中国豫北地区为研究区域，将2013—2022年冬小麦返青到成熟期内的归一化差值植被指数、气温、日照时数和降水量作为特征参数，结合县域单产数据构造旬尺度的冬小麦估产数据集，利用卷积神经网络（convolutional neural networks, CNN）-长短期记忆（long short-term memory, LSTM）构建可提前估产的冬小麦混合神经网络（CNN-LSTM）模型，并通过对不同生育时期CNN-LSTM估产模型逐个训练，比较其早期估产能力，以筛选最优估产模型。结果表明，返青—成熟期CNN-LSTM模型具有较强的鲁棒性，五折交叉验证的平均决定系数（R²）和平均均方根误差（RMSE）分别为0.86和402.76 kg·hm^-2,较对应的LSTM模型估产精度大幅提升，平均R²和RMSE分别升高0.18和降低188.05 kg·hm^-2。返青-成熟期CNN-LSTM估产模型稳定性和泛化能力均较优，2022年测试集估产的R²、RMSE和平均绝对百分比误差（MAPE）分别为0.91、337.25 kg·hm^-2和4.25%。在豫北32个县（区）中，75%的县（区）产量预测相对误差小于5%,21.875%的县（区）产量预测相对误差在5%～10%之间，仅林州市一个县（区）产量预测相对误差在15%～20%之间。CNN-LSTM估产模型具有早期估产能力，抽穗-扬花期CNN-LSTM估产模型R²和RMSE分别为0.83和431.98 kg·hm^-2,该模型有能力提前1个月实现冬小麦产量的预测。因此，利用CNN-LSTM模型可建立稳定且准确的冬小麦估产模型，从而为农业决策提供有力支持。

关键词

冬小麦 / 卷积神经网络 / 长短期记忆 / 估产模型 / 河南省北部