农业机械学报

作者：王鹏新，王静怡，郭丰玮，刘峻明，李红梅，叶昕

单位：中国农业大学;农业农村部农机作业监测与大数据应用重点实验室,中国农业大学;农业农村部农机作业监测与大数据应用重点实验室,中国农业大学;农业农村部农机作业监测与大数据应用重点实验室,中国农业大学,陕西省气象局,中国农业大学,

关键词：冬小麦;估产;Stacking集成学习;条件植被温度指数;叶面积指数

基金：国家自然科学基金项目（42171332）

为探究模型融合在估产领域的应用潜力，实现高精度冬小麦单产估测和预测，本文以陕西省关中平原为研究区域，选取与冬小麦长势密切相关的旬尺度叶面积指数（LAI）、光合有效辐射吸收比率（FPAR）和条件植被温度指数（VTCI）作为遥感特征参数，构建基于多模型融合的Stacking集成学习估产模型。考虑不同机器学习算法训练原理差异，将长短期记忆网络（LSTM）、支持向量机（SVM）、弹性网络回归（ENet）、极端梯度提升机（XGBoost）、梯度提升决策树（GBDT）、随机森林（RF）作为备选基模型。基于皮尔逊相关系数量化各模型预测误差之间的相关性，选择相关系数平均值最低的LSTM、SVM、ENet和XGBoost作为基模型。以每个基模型预测结果作为元特征，并将线性回归模型作为元模型对元特征进行拟合，构建Stacking冬小麦估产集成模型。结果表明，相较于精度最高的单一估产模型SVM，Stacking集成模型具有更高的估测精度（R2为0.67、RMSE为520.50kg/hm2、MAPE为9.21%），其R2提升0.03，RMSE和MAPE分别下降26.28kg/hm2、0.83个百分点，因此，Stacking集成估产模型能够融合单个估产模型优势，进而获得更准确的估产结果。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期