基于自適應增強的BP模型的浙江省茶葉產量預測

陳冬梅，韓文炎，周賢鋒，吳開華，張競成*

基于自適應增強的BP模型的浙江省茶葉產量預測

陳冬梅1，韓文炎2，周賢鋒1，吳開華1，張競成1*

1. 杭州電子科技大學自動化學院，浙江 杭州 310018；2. 中國農業科學院茶葉研究所，浙江 杭州 310018

本文采用1999—2018年浙江省59個縣市的茶葉產量數據和地面氣象要素驅動數據，提出了基于產量等級因子的自適應增強的反向傳播（BP）神經網絡模型的茶葉產量預測機制。首先分析提取了種植面積、年平均氣溫、3—7月的平均相對濕度、年平均相對濕度等11個影響因子，然后構建浙江省茶葉產量預測模型。試驗結果表明，基于產量等級因子的自適應增強的BP模型算法相關系數達到0.893，相對誤差的平均值和方差分別為0.187和0.136。在試驗數據選取方面，相較于距離預測年份較遠的數據，采用臨近預測年份的數據，預測精度較高。根據本研究的茶葉產量預測機制，建立了浙江省茶葉產量預測誤差空間分布圖，其中1級優勢區的平均誤差為18.32%，2級次優勢區為16.73%，3級一般產區為22.69%。預測模型能夠實現浙江省各縣市的茶葉產量預測，對茶葉生產的宏觀管理具有一定指導意義。

茶葉；產量預測；模型；自適應增強；BP模型

浙江省地處亞熱帶季風氣候區，適宜的氣候條件使得茶葉成為了省內的支柱產業之一，成為全省各個縣（市）山區、半山區農民收入的主要經濟來源[1]。茶葉產量和質量是影響茶葉產值和農民收入的重要因素，受多種因素影響，包括光照、降水、溫度、濕度、土壤等自然因素和茶葉采摘面積、城市居民茶葉消費價格指數、技術投入等非自然因素[2-5]。因此，評估各因素對茶葉產量的影響，并提供合理有效的茶葉產量預測分析，具有非常重要的現實意義。

農作物產量預測是國內外學者十分關注的課題，其中涉及茶葉產量的預測一般采用統計模型的分析方法，較常采用回歸模型、灰色建模和反向傳播（BP）神經網絡等。朱秀紅等[6]從統計角度對影響茶葉產量的氣候因子進行分析，在篩選與日照市產量相關性高的氣候因子的基礎上，建立了多元回歸模型對茶葉產量進行預測；高潔煌[7]根據武夷山市歷年茶葉產量數據建立灰色模型，對武夷山市2014—2020年茶葉產量進行預測；呂海俠等[8]利用立殘差融合的ARMA-GM(1,1)模型對福建省2013—2015年的茶葉產量進行預測；方孝榮等[9]采用灰色馬爾柯夫鏈模型預測浙江省2011年的名優茶產量；胡克滿等[2]提出了一種非自然因素影響茶葉產量的預測模型，使用基于灰色神經網絡的茶葉產量需求預測算法。這些產量預測模型都是基于灰色模型，針對某一個地區基于時間序列展開的數據，并利用數據自身的時間規律建模分析。在影響產量的諸多因子中，氣象因素直接關系到茶葉各生育期的生長狀態，是影響產量的關鍵因素。劉春濤等[10]利用青島市嶗山區1994—2015年的氣象站點數據和產量數據篩選分析得到氣溫、降水量、日照時數、空氣相對濕度等是影響嶗山茶產量的關鍵氣象因子。張璠等[4]以陜南8個主要產茶縣（區）2007—2016年的氣象因子和茶葉產量為對象，運用灰色關聯分析法得出年平均相對濕度、極端最高氣溫和平均氣溫是影響陜南茶區茶葉產量的主要因素。金志鳳等[11]根據茶葉產量與氣象、地形、土壤條件的相關分析，提出了包含氣象、土壤、地形因子的茶樹栽培綜合區劃指標體系，并建立了茶樹栽培的綜合區劃評估模型。趙輝等[12]利用河南省119個氣象臺站1971—2010年氣候資料，篩選出影響茶樹生長發育和產量形成的關鍵氣候因子，運用層次分析法和加權指數求和法計算出河南省茶樹種植綜合區劃指數，實現了河南省的氣候適宜性區劃。這些針對產量估測和影響因素的研究大多基于氣象站點數據進行分析，目前沒有形成在縣市尺度上的多個地區產量預測的方法機制，也沒有建立行之有效的浙江省內縣市級別的茶葉產量預測分析工作。

本研究利用大尺度的中國區域地面氣象要素驅動數據和茶葉種植面積數據，基于浙江省59個縣市的茶葉產量數據建立了浙江省縣市級別茶葉產量預測機制，引入茶葉產量等級因子，并通過產地不同特征的靈敏度分析提取影響茶葉產量的核心因子，選擇有效的時間范圍進行茶葉產量預測模型研究，為大尺度的茶產業宏觀管控提供一定的科學依據。

把生命交給黨，始終不渝、毫不動搖地聽從黨的安排，這是方志敏樹立正確的人生價值觀的具體體現。胡錦濤指出：“我們紀念和學習方志敏同志，就要像他那樣，樹立堅定正確的理想和信念，不論在什么樣的情況下，都始終不渝、毫不動搖。”[2]方志敏36歲慷慨就義，其生命雖然短暫，但革命經歷非常豐富，哪里需要就奔向哪里，一切聽從黨的安排。按照上級黨組織的安排，他在革命斗爭中曾擔任過多種不同的工作。無論什么工作，什么樣的情況下，他都像胡錦濤所指出的“始終不渝、毫不動搖”。這里，我們可以從《我從事革命斗爭的略述》中得到印證。

1 數據與方法

1.1 產量數據處理

本研究統計了全省88個縣市地區自1999年以來的茶園面積和茶葉產量數據，數據來自浙江省各縣市的統計年鑒。選取了歷年平均產量大于100?t的59個縣市作為研究對象，全省各地區平均茶園面積和平均茶葉產量分布如圖1所示。這59個縣市的茶葉總產量占1999—2018年全省平均年產量的98%，茶葉種植總面積也占全省茶葉種植面積的98%，基本涵蓋了浙江省的茶葉種植地區。

1.2 氣象數據處理

1.3 茶葉產量等級因子

BP神經網絡是一種應用廣泛的多層前饋型神經網絡。這種基于輸入層、隱含層、輸出層的網絡結構，在前向逐層傳遞過程中，如果輸出層得不到期望輸出，則反向傳播轉入到隱含層和輸入層，根據預測誤差調整網絡權值和閾值，從而使預測輸出不斷逼近期望輸出[21]。BP神經網絡是基于經驗風險最小化原則，滿足對已有訓練數據的最佳擬合，在理論上可以通過增加算法的規模與復雜度，使得經驗風險不斷降低，直至為0，但是這會導致過擬合增加實際風險，使得預測結果存在較大程度的失真。

數據不平衡性在預測分析中會造成預測插值以一定的比例體現在最終誤差上，從而可能造成在數據密集區產生過擬合，稀疏區域欠擬合[16]。針對這種數據不平衡性，一般從數據層面的采樣處理和算法層面的模型改進在分類問題上研究較多[17-19]，但在預測回歸問題上的分析研究較少[20]。有研究指出，在浙江省，茶葉適宜種植在除嘉興東南部、湖州的東北、南部高山以及海島以外海拔低于600?m的平原、丘陵和低山區，較不適宜種植在安吉的西南部、臨安和淳安的西部，以及海拔較高的高山區域[11]。本研究引入茶葉產量等級因子，將圖1中所標選出來的縣市按照年產量信息分成3個等級，產量大于4?000?t的縣市劃定為1級優勢區，1?500～4?000?t的劃定為2級次優勢區，小于1?500?t的劃定為3級一般產區，其中，1級優勢區14個，2級次優勢區15個，3級一般產區30個（圖2）。各等級的產量界限既考慮到茶葉種植的區域適宜度分布，也綜合了產量按照等級劃定后的各等級的縣市數量。

圖1 浙江省1999—2018年茶葉平均種植面積和平均產量分布示意圖

表1 中國區域地面氣象要素驅動數據集要素介紹

1.4 基于各縣市的靈敏度分析流程

采用近20年的氣象月值數據研究與產量相關的潛在影響因子，在氣象數據中篩選與產量相關度高的因子。在衡量相關因子過程中，由于各地區的產量分布差異較大，因此提出基于各縣市的產量線性相關度分析。首先將各縣市的產量信息分別與對應地區的氣象信息等因子計算相關系數矩陣，然后將各地區的分析結果組成地區對應變量的產量靈敏度分析矩陣，從每一列中剔除相關度小于0.5的因子對，再統計矩陣中出現次數較多的因子作為核心影響因子，其基本流程如圖3所示。

圖2 茶葉產量分布的直方圖和產量等級分布結果示意圖

1.5 自適應增強的反向傳播（Adaboost BP）算法

由圖1可知，茶葉分布的地域特點會受到土地資源、茶葉種植適宜程度、當地政策等因素影響，尤其是茶葉產量在量級上會有較大變化，其分布范圍跨度很大，局部地區年產量僅100多噸，而一些茶葉種植大縣年產量高達上萬噸。浙江省20年內的各縣市茶葉年產量數據分布如圖2所示，大部分地區年產量集中在2?500?t以內，極少數地區年產量過萬噸，產量在浙江省內地域分布上具有較大的差異性。

Adaboost算法的思想由Freund和Schapire提出[22]，源于Valiant提出的PCA學習模型，其核心思想是將多個弱分類器進行組合得到一個聯合分類器以產生有效分類，其中BP神經網絡被看作是弱分類器[23]。通過訓練BP神經網絡預測樣本數據的輸出，再使用Adaboost算法把多個BP神經網絡弱分類器構建成強分類器。

圖4為本研究對于浙江省茶葉產量的預測回歸算法基本流程圖，假設樣本中有個訓練樣本{1，2，…，x}，f()（=1，2，…，）表示個弱預測器在樣本上的輸出預測函數，其中訓練樣本包括各縣市的茶葉種植面積和經過靈敏度分析得到的氣象因子以及茶葉產量等級因子，通過Adaboost BP算法構建個預測器并進行決策的步驟如下：

在進行實際產量預測時，需要利用歷史的產量數據預測未來幾年的茶葉產量，而隨著時間推移，各縣市的茶葉生產種植條件會隨之發生變化，距離預測年份時間差越大，條件變化越大，因此在上述試驗基礎上，需進一步探究足夠支撐未來幾年數據預測分析的歷史數據。本研究使用2016—2018年的產量數據作為測試集合，分別使用表2中的年份組合進行訓練。

（1）初始化訓練樣本{1，2，…，x}的權重w，使得w=1/，=1, 2, …,；

（2）使用BP神經網絡弱訓練器訓練樣本得到預測數據f()；

預習結束，娟兒問：“什么是力呢？”學生說不清楚具體什么是“力”，他們一臉迷茫地問娟兒：“是推物體，拉物體，壓物體嗎？”

圖4 算法基本流程圖

本研究氣象數據采用中國區域地面氣象要素驅動數據集[12]，包括近地面氣溫、近地面氣壓、近地面空氣比濕、近地面全風速、地面向下短波輻射、地面向下長波輻射、地面降水率等7個要素（表1）。該數據集是以國際上現有的Princeton再分析資料、GLDAS資料、GEWEX-SRB輻射資料，以及TRMM降水資料為背景場，融合中國氣象局常規氣象觀測數據，采用ANU-Spline統計插值而成。該數據時間分辨率為3?h，水平空間分辨率為0.1°，其精度介于氣象局觀測數據和衛星遙感數據之間，優于國際上已有再分析數據的精度[13-15]。該數據經處理后可以得到多時相的全國范圍的氣象數據，再根據各縣市的邊界文件進行分區統計得到各縣市的相關要素的月值統計數據，提取出近地面氣溫、近地面氣壓、近地面空氣比濕、近地面全風速、地面向下短波輻射、地面向下長波輻射、地面降水率等1999—2018年的月值信息。

（6）重復步驟（2）—（5）訓練次得到個弱預測器結果f()，將其組合成強預測器；

鹽堿地改良是一項緊迫的任務。一方面，耕地高強度、超負荷利用，使耕地質量退化問題突出，像東北黑土層變薄、華北平原耕層變淺、西北地區耕地鹽漬化、南方土壤酸化等。我國耕地退化面積已占到耕地面積的40%以上。另一方面，耕地污染問題突出。面對耕地質量的嚴峻形勢，守住18億畝耕地紅線任務艱巨。鹽堿地改良將是對我國耕地資源的有益補充。鹽堿地利用潛力巨大，已成為我國重要的后備耕地戰略資源。

2 結果與分析

2.1 靈敏度分析

經過靈敏度分析后得到的各地區產量對應氣象因子的靈敏度矩陣如圖5所示。通過靈敏度矩陣剔除相關度小于0.5的影響因子，統計相關度大于0.5因子出現的次數，得到種植面積、年平均地面氣溫、3—7月的平均空氣比濕、年平均空氣比濕、7—8月的近地面氣壓、5—6月的地面向下長波輻射和3—5月的近地面全風速等11個與產量相關的氣象因子。這些因子與劉春濤等[10]研究結果有一定的重合度，均包含了年平均氣溫，茶樹生長期的平均相對濕度等。但是本研究中氣象數據是使用降水率來反映降雨情況，因此在靈敏度分析中由于相關系數低于其他影響因子被過濾掉。同時，本研究也得到了在茶樹生長期的近地面氣壓、地面向下長波輻射和近地面全風速等其他未在相關文獻中提及的氣象因子。

注：A為茶葉產量，B為茶葉種植面積，C、D、E、F、G、H、I分別為1—12月的地面氣溫、地面降水率、近地面空氣比濕、近地面氣壓、地面向下波長輻射、近地面全風速、地面向下短波輻射以及各自的年平均值

2.2 預測方法的有效性分析

經過靈敏度分析篩選，選取11個關鍵因子并提取各地區的產量數據進行預測模型的有效性分析。在產量數據中隨機選取70%的數據作為訓練集，其余30%作為測試集，分別使用傳統的BP方法和adaboost BP方法進行試驗，其中adaboost BP方法中設置了20層、30層、40層和50層4個BP弱分類器進行訓練，使用決定系數（2）、預測集合的相對誤差的平均值（aveRE）、預測集合的相對誤差的方差（stdRE）3個誤差指標，得到圖6的試驗結果。橫坐標軸的“標準化的實際產量”是指將所有產量標準化后的值，縱坐標軸“預測結果”指采用不同回歸方法得到的預估產量值。為了更加精準的研究氣象因素的影響，盡量避免其他因素對茶葉產量的影響，本研究使用氣象因子直接與茶葉產量建立關系，結果如圖6-A和圖6-B所示。由于產量數據在不同地區分布差別很大，導致數據存在一定的不平衡性。針對這種不平衡性，通過引入產量等級因子對數據進行訓練和測試，分別得到圖6-E和圖6-F的結果。結果表明，兩種方法中大部分樣本都聚集在1∶1線周圍，相關系數均達到0.7以上，說明氣象因子與茶葉產量之間相關度較高，使用所選的產量相關因子能夠有效實現產量預測。同時將圖6-A和圖6-B與其他結果比較發現，增加茶葉種植面積后2、aveRE和stdRE均得到了改善，說明茶葉種植面積對茶葉產量的預測分析也起到了一定作用。比較圖6-A、6-C、6-E和圖6-B、6-D、6-F可以發現，不論使用哪種影響因子組合，adaboost BP方法預測結果的2、aveRE和stdRE都優于BP方法。比較圖6-E、6-F和圖6-C、6-D可以發現，融入了產量等級因子得到的預測精度均比僅包含氣象因子的方法好。比較圖6-F和圖6-D發現，添加產量等級因子后，adaboost BP方法的結果相關度保持一致，但aveRE和stdRE均有所降低，說明基于融合產量等級因子的adaboost BP方法能夠更好地克服產量數據分布差異較大的影響，得到較好的預測結果，后續試驗均采用這種特征組合進行研究。

2.3 不同年份組合的預測分析

一些旅游網站因為不能滿足消費者隨時隨地的獲取最新相關準確信息而使一大批新興游客更青睞于旅游攻略APP，方便簡易，還可以隨時隨地獲取最新相關信息，并可以與其中的一些驢友做一些互動和分享[2]。現有的旅游APP軟件存在一些問題，包含內容多而不精，一般單獨集中在線路，飲食，住宿領域，對游客而言，我們想去一個景點就是想集合這個景點的所有知識，包括：景點介紹，文化底蘊，去的線路，景點內部導航，游玩攻略，周邊美食、住宿等。

結果如圖7所示，使用A1—F1組的數據預測精度，2、aveRE和stdRE表現均劣于使用A2—F2組數據的預測結果，說明靠近預測年份的數據更適用于茶葉產量預測。同時，隨著年份數的增加，兩種方法的預測結果都在變好，說明數據量的增加有助于該方法的學習和訓練。其中使用A2—F2組adaboost BP方法的結果2最高，aveRE和stdRE最低，性能表現最好，并且D2組、E2組和F2組表現相差不大。在應用中，結合2、aveRE和stdRE的綜合表現，使用2001—2015年數據進行茶葉產量的預測。

人際情緒管理包括反應依賴和反應獨立兩種機制[6].反應依賴過程有賴于他人反饋的質量.只有對方給予支持性反應時，有情緒困擾的個體傾訴完后才會感覺好些.反應獨立過程也發生在社會交往情境下，但并不需要他人做出特定的反應，傾訴本身就可以達到管理情緒的目的.

表2 不同年份組合的訓練數據列表

注：A、B分別為不含有茶葉種植面積的BP、adaboost BP方法結果；C、D分別為不包含產量等級因子的BP、adaboost BP方法結果；E、F分別為含有產量等級因子的BP、adaboost BP方法結果。虛線表示1∶1線

圖7 使用不同年份信息的預測結果

2.4 誤差分布圖

基于前述試驗結果，采用靈敏度分析后的關鍵特征組合，利用2001—2015年的產量數據基于adaboost BP方法預測2016—2018年的產量，并計算預測誤差的平均相對誤差空間（圖8）。由圖8可以發現，產量較小的地區，誤差變大，產量較大的地區誤差持續增大。根據浙江省茶葉生長氣候分析[11,24]，茶樹喜溫、喜濕、喜陰，對氣溫、降水和濕度都有一定要求，而浙江省茶葉適宜生長在包括杭州、嘉興、湖州、寧波、紹興的平原地帶、東南沿海的濱海地區以及金衢丘陵地區，這些地區濕度和海拔適宜、熱量充足、土壤肥沃。其中浙江省茶葉的1級優勢區的平均誤差為18.32%。而安吉的西南部、臨安和淳安的西部以及海拔較高的地區熱量條件不足，是大部分茶葉產量較低的區域，即3級一般產區的平均誤差為22.69%。較適宜茶葉種植的2級次優勢區的平均誤差為16.73%。在數據集合上，我們根據浙江省各縣市茶葉產量的年平均值將59個縣市劃分為1級優勢區14個，2級次優勢區15個和3級一般產區30個，由于部分年份茶葉產量的統計缺失，最終得到的數據中1級優勢區、2級次優勢區和3級一般產區的數據個數分別為273、284和578，3級一般產區數據占比達51%。3個產區的茶葉產量的直方圖分布如圖9所示，相較于1級優勢區和2級次優勢區，3級一般產區數據的不平衡性更為顯著，茶葉年產量小于1?000?t的數據有424個，占3級一般產區的70%以上。最終的誤差分析發現3級一般產區的平均誤差為22.69%，說明這種不平衡性會導致3級產區中的預測產量會往數據占比較大的部分靠攏，回歸模型的歸一化處理和茶葉產量敏感因子盡管能夠適當克服數據分布有偏差問題，但是仍然會造成一般產區的數據擬合誤差放大，使模型不穩定性增加，產生預測誤差。

3 討論與結論

本研究根據浙江省1999—2018年的各縣市茶葉產量，基于氣象數據和產量等級因子利用adaboost BP方法進行了預測試驗，基于各縣市的氣象因子靈敏度分析進行了產量影響因子提取，并對結果的空間分布進行了分析，其中通過靈敏度分析得到了種植面積、年平均氣溫、3—7月的平均相對濕度、年平均相對濕度等11個影響因子。本研究所提的adaboost BP預測方法結合產量等級因子的結果相關度達到0.893，平均相對誤差低至0.187；然后通過比較不同年份的組合數據預測2016—2018年產量數據發現，使用臨近預測年份數據的預測精度較好，綜合誤差指標，選擇2001—2015年的數據使用adaboost BP方法進行全省茶葉產量預測；通過計算分析全省誤差的空間分布，產量較小的地區，誤差變大，產量較大的地區誤差持續增大，其中1級優勢區的平均誤差為18.32%，2級次優勢區為16.73%，3級一般產區為22.69%，所提出的預測模型能夠實現浙江省各縣市的茶葉產量預測。

茶葉產量估測是受到多種因素影響的復雜問題[2-7]，目前關于茶葉產量預測的工作大多基于灰色模型且針對某一個地區基于時間序列展開。在估測模型中，影響因子如氣象因子大多基于氣象站點的數據進行分析，尚未形成統一的方法模型能夠實現縣市尺度的不同產量、多地區的茶葉產量預測分析。

located on 位于……之上,on表示意思是“上面”,on table在桌子上,on roof在屋頂上。

本研究使用了adaboost BP方法，在學習過程中集成了多個BP弱分類器，不僅能夠克服BP算法的過擬合問題，也對產量分析這一復雜問題有較好的泛化能力，但是目前中國區域地面氣象要素驅動數據集存在持續更新的問題，且分辨率有限，影響這一研究的后續進展。同時，浙江省內各縣市產量數據的不均衡性也導致模型訓練的不穩定性，需要在后續收集和積累更多年份數據信息的基礎上進一步擴充完善樣本量，提高模型精度。

圖8 浙江省2016—2018茶葉平均產量分布與誤差分布的對比分析示意圖

圖9 不同產區的茶葉產量的直方圖分布

此外，浙江省茶葉從采收季節上主要分為春茶、夏茶和秋茶，其中春茶占較大比重，但統計數據中茶葉種植面積與不同種類的茶葉之間并沒有對應關系，并且大部分統計依靠調查獲得，只有種植面積而沒有采收面積，無法用單產數據來反映茶葉產量。同時，對應的氣象數據也需要根據各縣市區劃邊界進行統計計算，這些因素都會對模型精度有所影響。茶園種植受到空間限制，如海拔、經緯度、土壤等因素，這些因素的統計平均值不能反映其對茶葉產量的真實影響。因此，高精度的茶葉面積提取和采摘期的精確分析是提高產量預測精度的必要工作。目前，對于茶園的監測主要是通過人工的野外調繪完成，費時費力，無法持續性監測，目前有不少研究利用遙感技術來監測農作物種植區域[25-26]，但是茶樹與其他植被容易產生嚴重的光譜混淆問題[27]，增加了提取和分割的難度，關于茶園的精細分割提取研究還有待深入[28-29]。

(2)將種群中的50組解分別帶入目標函數，得到全天的列車運行時刻表。計算出列車的全天能耗、變電站負載數據以及列車旅行時間，并將運行結果代入適應度函數，得到每組解的適應值。

有學者在研究自然因素對作物產量的影響時，提出了“氣象產量”并建立統計模型[30-31]。茶葉生產種植是一個復雜的經濟行為，會受到非自然因素的影響，如收入與支出、國家政策，進出口等。目前，有學者提出將氣候因子引進經濟學生產函數模型并加以改進，使之符合經濟發展規律的模擬結果，從交叉領域角度評價氣候、經濟等對作物的影響[31-32]。此外，茶葉實際產量除了受氣候因子影響外，還受生產茶類結構調整、市場偏好變化、采摘季節的區域性差異等要素影響，在后續預測模型的改進或實踐應用中需進一步考慮這些因素的作用。

[1] 毛祖法, 羅列萬, 陸德彪, 等. 浙江茶葉產業轉型升級基本方略研究[J]. 中國茶葉, 2010, 32(10): 6-9.

Mao Z F, Luo L W, Lu D B, et al. Study on basic strategy of transformation and upgrade of tea industry of Zhejiang Province [J]. China Tea, 2010, 32(10): 6-9.

[2] 胡克滿, 胡海燕. 基于灰色神經網絡的茶葉產量預測算法[J]. 浙江農業科學, 2019, 60(4): 577-579.

Hu K M, Hu H Y. Yield prediction algorithm of tea based on grey neural network [J]. Journal of Zhejiang Agricultural Sciences, 2019, 60(4): 577-579.

[3] 俞春芳. 中國茶葉生產布局特征及影響因素研究——基于全國408個茶葉生產縣的調查[D]. 浙江: 浙江大學, 2018.

Yu C F. Study on the Characteristics and influencing factors of China’s tea production distribution: based on the survey of 408 counties [D]. Zhejiang: Zhejiang University, 2018.

[4] 張璠, 肖斌. 茶葉產量與氣象因子的灰色關聯度分析——以陜南茶區為例[J]. 西北農業學報, 2018, 27(5): 735-740.

Zhang P, Xiao B. Grey correlation analysis between tea yield and meteorological factors: case study of tea region in southern Shaanxi [J]. Acta Agriculturae Boreali-occidentalis Sinica, 2018, 27(5): 735-740.

[5] 孫智敏. 提高春茶產量的主要技術措施[J]. 福建茶葉, 2003, 25(3): 37.

Sun Z M. Main technical measures to improve the yield of spring tea [J]. Tea in Fujian, 2003, 25(3): 37.

[6] 朱秀紅, 鄭美琴, 姚文軍, 等. 基于SPSS的日照市茶葉產量預測模型的建立[J]. 河南農業科學, 2010(7): 31-33.

Zhu X H, Zheng M Q, Yao W J, et al. The tea yield prediction model based on SPSS statistical software in Rizhao city [J]. Journal of Henan Agricultural Sciences, 2010(7): 31-33.

[7] 高潔煌. 基于GM(1,1)模型的武夷山市茶葉產量預測[J]. 科技視界, 2014(22): 21-22.

Gao J H. Forecast on the tea production of Wuyishan city by GM(1,1) model [J]. Science & Technology Vision, 2014(22): 21-22.

[8] 呂海俠, 趙景惠, 傅霞. 基于殘差融合的ARMA-GM(1,1)模型茶葉產量預測[J]. 甘肅科學學報, 2018, 30(5): 24-28.

Lv H X, Zhao J H, Fu X. Tea production prediction under ARMA-GM (1,1) model based on residual fusion [J]. Journal of Gansu Sciences, 2018, 30(5): 24-28.

[9] 方孝榮, 丁希斌, 李曉麗. 基于灰色馬爾柯夫鏈模型的浙江省名優茶產量預測[J]. 農機化研究, 2014, 36(7): 18-21.

Fang X R, Ding X B, Li X L. Yield prediction of famous green tea in Zhejiang Province based on Grey-Markov chain theory [J]. Journal of Agricultural Mechanization Research, 2014, 36(7): 18-21.

[10] 劉春濤, 魏明明, 郭麗娜. 氣象要素對青島嶗山茶葉產量影響分析[J]. 中低緯山地氣象, 2018, 42(1): 57-60.

Liu C T, Wei M M, Guo L N. The effect of meteorological factors on tea yield in Laoshan [J]. Mid-Low Latitude Mountain Meteorology, 2018, 42(1): 57-60.

[11] 金志鳳, 黃敬峰, 李波, 等. 基于GIS及氣候-土壤-地形因子的浙江省茶樹栽培適宜性評價[J]. 農業工程學報, 2011, 27(3): 231-236.

Jin Z F, Huang J F, Li B, et al. Suitability evaluation of tea trees cultivation based on GIS in Zhejiang Province [J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 231-236.

[12] 趙輝, 米鴻濤, 杜子璇, 等. 河南省茶樹適宜種植氣候區劃研究[J]. 茶葉科學, 2016, 36(3): 330-336.

Zhao H, Mi H T, Du Z X, et al. Study on the climate regionalization of tea plant in Henan Province [J]. Journal of Tea Science, 2016, 36(3): 330-336.

[13] 陽坤, 何杰. 中國區域地面氣象要素驅動數據集(1979-2018)[DS]. 國家青藏高原科學數據中心, 2019. doi: 10.11888/AtmosphericPhysics.tpe.249369.file.

Yang K, He J. China meteorological forcing dataset (1979-2018) [DS]. National Tibetan Plateau Data Center, 2019. doi: 10.11888/AtmosphericPhysics.tpe.249369.file.

[14] He J, Yang K, Tang W, et al. The first high-resolution meteorological forcing dataset for land process studies over China [J]. Scientific Data, 2020, 7: 25. doi: 10.1038/s41597-020-0369-y.

[15] Yang K, He J, Tang W, et al. On downward shortwave and longwave radiations over high altitude regions: observation and modeling in the Tibetan Plateau [J]. Agricultural & Forest Meteorology, 2010, 150(1): 38-46.

[16] Moniz N, Branco P, Torgo L. Evaluation of ensemble methods in imbalanced regression tasks [C]//International Workshop on Learning with Imbalanced Domains: Theory and Applications. Proceedings of Machine Learning Research 74, 2017: 129-140.

[17] 孫煒. 基于代價敏感的改進AdaBoost算法在不平衡數據中的應用[D]. 廣州: 暨南大學, 2018.

Sun W. The application of improved adaBoost algorithm based on cost sensitive in imbalanced data [D]. Guangzhou: Jinan University, 2018.

[18] Przemys?aw S, Krawczyk B. Influence of minority class instance types on SMOTE imbalanced data oversampling [C]//International Workshop on Learning with Imbalanced Domains: Theory and Applications. Proceedings of Machine Learning Research 74, 2017: 7-21.

[19] 王來, 樊重俊, 楊云鵬, 等. 面向不平衡數據分類的KFDA-Boosting算法[J]. 計算機應用研究, 2019, 36(3): 807-811.

Wang L, Fan C J, Yang Y P, et al. KFDA-Boosting algorithm oriented to imbalanced data classification [J]. Application Research of Computers, 2019, 36(3): 807-811.

[20] Zhu T, Lin Y, Liu Y, et al. Minority oversampling for imbalanced ordinal regression [J]. Knowledge-Based Systems, 2019, 166: 140-155.

[21] Martin F M. A scaled conjugate gradient algorithm for fast supervised learning [J]. Neural Networks, 1993, 6(4): 525-533.

[22] Freund Y, Schapire R E. A decision-theoretic generalization of on-line learning and an application to boosting [J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139.

[23] Michael K, Leslie G V. Cryptographic limitation on learning Boolean formulae and finite automata [C]//Johnson D S. STOC'89: Proceedings of the twenty-first annual ACM symposium on Theory of computing. New York: Association for Computing Machinery, 1989: 433-444.

[24] 金志鳳, 封秀燕. 基于GIS的浙江省茶樹栽培氣候區劃[J]. 茶葉, 2006, 32(1): 7-10.

Jin Z F, Feng X Y. Tea plant climate division in Zhejiang Province base on GIS technology [J]. Journal of Tea, 2006, 32(1): 7-10.

[25] Waldner F, Canto G S, Defourny P. Automated annual cropland mapping using knowledge-based temporal features [J]. Isprs Journal of Photogrammetry & Remote Sensing, 2015, 110: 1-13.

[26] Zhou Y, Xiao X, Qin Y, et al. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images [J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 46: 1-12.

[27] Rajapakse R M S S, Tripathi N K, Honda K. Spectral characterization and LAI modelling for the tea ((L.) O. Kuntze) canopy [J]. International Journal of Remote Sensing, 2002, 23(18): 3569-3577.

[28] 楊艷魁, 陳蕓芝, 吳波, 等. 基于高分二號影像結合紋理信息的茶園提取[J]. 江蘇農業科學, 2019, 47(2): 210-214.

Yang Y K, Chen Y Z, Wu B, et al. Tea garden extraction based on gaofen-2 image with texture information [J]. Jiangsu Agricultural Sciences, 2019, 47(2): 210-214.

[29] 朱澤潤. 基于高分辨率遙感影像的茶園場景提取方法[D]. 武漢: 武漢大學, 2018.

Zhu Z R. Tea garden scene extraction method based on high resolution remote sensing image [D]. Wuhan: Wuhan University, 2018.

[30] 劉峻明, 和曉彤, 王鵬新, 等. 長時間序列氣象數據結合隨機森林法早期預測冬小麥產量[J]. 農業工程學報, 2019, 35(6): 158-166.

Liu J M, He X T, Wang P X, et al. Early prediction of winter wheat yield with long time series meteorological data and random forest method [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(6): 158-166.

[31] 丑潔明, 葉篤正. 構建一個經濟-氣候新模型評價氣候變化對糧食產量的影響[J]. 氣候與環境研究, 2006, 11(3): 347-353.

Chou J M, Ye D Z. Assessing the effect of climate changes on grains yields with a new economy-climate model [J]. Climatic and Environmental Research, 2006, 11(3): 347-353.

[32] 齊邦宇, 方成剛, 王群, 等. 基于經濟-氣候耦合模型的昆明冬小麥產量評估[J]. 西南農業學報, 2013, 26(6): 2241-2246.

Qi B Y, Fang C G, Wang Q, et al. Study on assessing total winter-wheat yield based on an economy-climate coupling model in Kunming city [J]. Southwest China Journal of Agricultural Sciences, 2013, 26(6): 2241-2246.

Tea Yield Prediction in Zhejiang Province Based on Adaboost BP Model

CHEN Dongmei1, HAN Wenyan2, ZHOU Xianfeng1, WU Kaihua1, ZHANG Jingcheng1*

1. Hangzhou Dianzi University School of Artificial Intelligence, Hangzhou 310018, China; 2. Tea Research Institute, Chinese Academy of Agricultural Sciences, Hangzhou 310008, China

The study proposed the tea yield prediction mechanism using the adaboost BP network model with the tea yield level factor and China meteorological forcing dataset in 59 counties of Zhejiang in 1999-2018. We extracted 11 factors including the planting area, the yearly average temperature, the average relative humidity from March to July in the sensitivity analysis. The tea yield prediction model was established then. The result shows that the adaboost BP method with the yield level factor could reach the correlation coefficient as 0.893 and the average of the relative error as 0.187 and the variance of the relative error as 0.316. When selecting history data, the prediction error was lower when the data was closer to the prediction years. Based on the proposed method, the distribution of the prediction error was made. The average relative errors were 18.32%, 16.73% and 22.69% in level 1 high production area, level 2 medium area and level 3 general production area, respectively. The proposed model could realize the tea yield prediction in the counties of Zhejiang Province and could be used in the management of tea production process.

tea, yield prediction, model, adaboost, BP model

S571；S165+.27

A

1000-369X(2021)04-564-13

2020-08-28

2020-11-17

浙江省公益技術應用研究（LGN19F030001）、浙江省自然科學基金（LQ19D010009）、國家自然科學基金（41901268）、浙江省農業重大技術協同推廣計劃（2020XTTGCY04-02、2020XTTGCY01-05）

陳冬梅，女，副教授，主要從事農業遙感數據分析處理研究，chendongmei@hdu.edu.cn。*通信作者：zhangjc_rs@163.com

（責任編輯：黃晨）