面向干旱条件下的冬小麦估产HLM模型改进研究.pdfVIP

2025年3月第7卷第2期智慧农业（中英文）SmartAgricultureMar.2025Vol.7,No.2

面向干旱条件下的冬小麦估产HLM模型改进研究

1，22*1，2211，2

赵培钦，刘长斌，郑婕，孟炀，梅新，陶婷，

1，21，22*

赵倩，梅广源，杨小冬

（1.湖北大学资源环境学院，湖北武汉430062，中国；2.农业农村部农业遥感机理与定量遥感重点实验室，北京市农

林科学院信息技术研究中心，北京100097，中国）

摘要：［［目的目的］］现有的作物估产模型通常在灾害气候条件下的估产精度不高，本研究提出一种基于干旱天气指

数减产率模型的改进分层线性模型（ImprovedHierarchicalLinearModel,IHLM），旨在提高在干旱条件下作物产量

估算的精度。［［方法方法］］采用最大值的增强植被指数-2（MaximumEnhancedVegetationIndex2,EVI2max）和每年3月

~5月降水量，辐射量和气温等气象数据和2018—2021年山东省160个农情调查基点的冬小麦实测产量数据构建冬

小麦产量预测基础分层线性模型（HierarchicalLinearModel,HLM）。考虑到气象因素的变异程度是影响作物生长的

关键障碍因子，首先将气象因子相对性计算进行模型改进，并对改进的HLM模型与随机森林（RandomForest,RF）

模型、支持向量回归（SupportVectorRegression,SVR）模型和极端梯度提升（ExtremeGradientBoosting,XG⁃

BOOST）模型进行精度对比。然后引入农业保险行业的干旱天气指数减产率模型，对改进的HLM模型进一步优

化，从而更加适应干旱条件下的作物估产。为了验证IHLM模型的迁移性，本研究将其应用于河南省进行对比分

析，以评估该模型在不同地理和气候条件下的表现。［［结果和讨论结果和讨论］］基于相对气象因子（RelativeMeteorological

Factors,rMF）改进的HLM模型精度相比于RF、SVR和XGBOOST更高，验证精度皮尔逊相关系数r为0.76，均方

2

根误差（RootMeanSquareError,RMSE）为0.60t/hm，归一化均方根误差（NormalizedRootMeanSquareError,

nRMSE）为11.21%。在干旱条件数据集中，利用冬小麦干旱天气指数和冬小麦减产率的关系对模型进行了改进，

2

改进之后RMSE减少了0.48t/hm,nRMSE减少了28.64个百分点，提高了IHLM模型在干旱条件下的精度。［［结论结论］］

该研究对冬小麦产量HLM模型进行改进，提高了模型精度，在干旱情况下模型精度和稳定性有一定提升，相比于

RF、SVR、XGBOOST模型，IHLM模型更适合对冬小麦产量预测。

关键词：冬小麦；产量预测；HLM模型；干旱；机器学习

中图分类号：S-3；TP181文献标志码：A文章编号：SA202408009

引用格式：赵培钦,刘长斌,郑婕,孟炀,梅新,陶婷,赵倩,梅广源,杨小冬.面向干旱条件下的冬小麦估产HLM模型

改进研究[J].智慧