基于新型极限堆叠泛化算法的小麦育种田产量预测研究

摘要

针对不同小麦品种产量预测中光谱特征差异利用不足和传统集成学习方法泛化能力有限的问题，本研究提出一种新型极限堆叠泛化算法（extreme stacked generalization,ESG），通过动态优化特征选择与模型组合解析品种间微米级光谱差异，以提高在多品种、跨年份数据中的预测精度和稳定性。基于2018—2020年两个小麦生长季的冠层高光谱反射率数据（覆盖灌浆前期和中期）和产量数据，采用跨年份独立验证（框架1）与多时期融合验证（框架2）双验证体系，以平均绝对误差（mean absolute error,MAE）和均方根误差（root mean squared error,RMSE）评估岭回归（ridge regression,RR）、K最邻近回归（K-nearest neighbors,KNN）、随机森林（random forest,RF）、堆叠泛化算法（stacked generalization,SG）和ESG算法性能。结果表明，ESG算法显著优于其他算法，其预测RMSE降至1.01～1.31t·hm^-2；跨年份预测的稳定性显著提升，误差波动幅度缩减18.9%，显示出较强的环境适应性和品种区分能力；灌浆中期为最优预测窗口期(RMSE=1.01t·hm^-2)。这说明ESG算法能够有效适应不同小麦品种的特异性光谱特征和环境变异，实现跨品种、跨年度的产量稳定预测。

关键词

小麦 / 育种田 / 产量预测 / 极限堆叠泛化算法