冬小麦产量结构要素预报方法

来源：农业工程学报杂志2020年第8期北京时间：

作者：张佩,陈郑盟,刘春伟,王福政,江海东,高苹,

摘要：为优选出最佳的冬小麦产量结构要素预报方法，该研究选择冬小麦成穗数、穗粒数及千粒质量为预报目标，综合考虑种植品种、密度及地区因子，并对气象因子进行膨化统计，得到126个自变量因子，分别采用多元线性回归、因子分析—线性回归及BP（Back Propagation）神经网络等3种方法进行建模分析。结果表明，直接采用各因子进行回归分析无法解决不同自变量间存在的多重共线性问题，而因子分析虽然消除了不同自变量间的多重共线性，但采用因子优化后的10个综合因子分别对3个产量结构要素进行线性回归，得到的预报模型决定系数（R2）均不足0.500。运用BP神经网络对冬小麦3个产量结构要素进行预报，结果发现，当输入层为126、隐含层为16、输出层为3时，BP神经网络结构最佳，在此结构下，模型的决定系数为0.644，明显优于多元线性回归及因子分析-线性回归法。同时，基于BP神经网络模型对冬小麦产量结构要素的预报精度平均达85.3%。因此，推荐采用BP神经网络模型对冬小麦产量结构要素进行预报。

关键词：作物, 冬小麦, 产量结构要素, 多元线性回归, 因子分析, BP神经网络