基于路径系数与机器学习的区域特异性马铃薯产量预测模型优化研究

本研究针对马铃薯价格波动大、区域气象影响显著的特点，由研究人员开发了融合路径系数与相关性分析的天气指数构建方法，结合惩罚回归模型（Ridge、LASSO、Elastic Net）和机器学习模型（ANN、SVR），通过PLSR特征选择与超参数优化，实现了区域级产量精准预测。结果表明，ANN（双曲正切激活函数）与SVR（径向基核函数）模型误差最低，为农业决策提供可靠技术支撑。

　　

精准预测作物产量（尤其对价格波动剧烈的马铃薯而言）对市场决策、供需平衡维护以及价格稳定至关重要。由于气象因素在区域层面显著影响产量，建立地区级模型成为理想选择。本研究引入基于路径系数的气象指数与相关性指数，依据气象对产量的真实贡献加权周级数据，评估了三类惩罚回归模型（岭回归、LASSO和弹性网络）和两种机器学习（ML）模型（人工神经网络[ANN]和支持向量回归[SVR]）。为抑制过拟合，采用逐步回归、主成分分析和偏最小二乘回归（PLSR）进行特征筛选。ANN模型在三种非线性激活函数、优化学习率及隐藏层神经元配置下测试，SVR则测试了三种核函数与超参数优化方案。路径系数指数与相关性指数协同提升了预测精度，结合PLSR特征选择的ANN与SVR模型表现出最低误差。最优配置为ANN（双曲正切激活函数、学习率<0.1、隐藏层神经元少于输入层）和SVR（径向基核与优化超参数）。该系统性方法整合了高信息量气象指数构建、PLSR特征选择与ML模型微调，有效捕捉了气象-作物间的复杂非线性相互作用，为开发区域特异性马铃薯产量预测模型提供了关键技术路径。