基于StaMaLSTM和多源数据的玉米产量预测

来源：中国农机化学报杂志2025年第9期北京时间：

作者：刘月峰, 刘世峰, 张振荣

单位：(1. 许昌陶瓷职业学院信息与机电工程学院，河南许昌，461000； 2. 河南农业大学信息与管理科学学院，郑州市，450002； 3. 郑州大学信息工程学院，郑州市，450001)

摘要：提前且准确地预测作物产量对于保障粮食安全、优化资源分配和稳定市场价格具有关键性意义。传统的产量预测方法主要基于单一变量数据建模，并常忽略数据间的时序关系，导致预测稳定性与准确性不足。为此，使用2010—2022年黑龙江、辽宁和山东等6个省份的地级市玉米产量数据，结合相应的气候、植被、土壤及空间地形数据，构建基于注意力机制和长短时记忆网络的堆叠模型(StaMaLSTM)进行玉米产量预测。研究发现：在玉米产量预测的多时间步长对比试验中，StaMaLSTM模型在时间步长T=2时表现最优；引入注意力机制的StaMaLSTM模型的归一化均方根误差NRMSE为16.53%、平均绝对误差MAE为8.72、平均绝对百分比误差MAPE为7.27%、决定系数R2为0.995，性能超过传统LSTM和CNN深度学习模型，以及SVM和RF机器学习模型；在移除任何一类数据后，StaMaLSTM、LSTM和CNN模型的预测误差均上升，但较为稳定。相比之下，SVM和RF模型在数据缺失情况下预测结果波动较大，尤其是缺少气候数据时影响最为显著，其次是土壤数据，而植被和地形数据的影响则因模型而异。为作物产量预测提供新途径，并对其他作物的预测具有重要指导意义。

关键词：玉米产量预测,多源数据,深度学模型,注意力机制,长短时记忆网络

基金资助：国家自然科学基金(32072077)