基于BP神經(jīng)網(wǎng)絡(luò)的油茶產(chǎn)量預(yù)測(cè)模型構(gòu)建

曾慶揚(yáng)，丁楚衡，谷戰(zhàn)英，陳文豪，劉一哲，王澤菲

（中南林業(yè)科技大學(xué) 林學(xué)院，湖南 長(zhǎng)沙 410004）

油茶Camellia oleifera又被稱為茶油樹，是一種亞熱帶常綠灌木或小喬木，主要分布于我國(guó)南方，湖南、江西、廣西、浙江是重點(diǎn)產(chǎn)區(qū)。油茶籽油是茶籽仁經(jīng)過壓榨或浸出所制得的油脂，茶籽油不飽和脂肪酸質(zhì)量分?jǐn)?shù)達(dá)90%以上，主要成分為油酸和亞油酸，其中油酸的質(zhì)量分?jǐn)?shù)可達(dá)80%以上。茶籽油中還富含維生素E、總酚、β-甾醇和角鯊烯等多種功能性活性物質(zhì)[1]，具有較高的營(yíng)養(yǎng)價(jià)值和藥用價(jià)值[2-4]。油茶籽油的脂肪酸組成可與地中海地區(qū)的橄欖油媲美，油脂穩(wěn)定性強(qiáng)，并且有一定的降低膽固醇和抗癌的功效，長(zhǎng)期食用有利于預(yù)防血管硬化，因此在國(guó)際上被稱為“長(zhǎng)壽油”或“東方橄欖油”[5]。除食用外，油茶籽油還是一種天然的護(hù)膚品原料，是化妝品生產(chǎn)中常用的植物油之一，還被用于重度燙傷患者的治療[6]。截至2019年，我國(guó)油茶林種植面積453.3 萬hm2，油茶籽產(chǎn)量268 萬t，油茶籽油產(chǎn)量62.7 萬t[7]。我國(guó)對(duì)進(jìn)口食用油的依存度過高，油茶作為我國(guó)四大木本油料樹種之一，對(duì)于食用油安全有著至關(guān)重要的作用[8]。通過科學(xué)的手段發(fā)展油茶產(chǎn)業(yè)是踐行綠色農(nóng)業(yè)和可持續(xù)發(fā)展的前提，對(duì)提高我國(guó)經(jīng)濟(jì)林產(chǎn)量，增加農(nóng)民經(jīng)濟(jì)收入，建設(shè)社會(huì)主義新農(nóng)村具有重要作用[9]。

油茶一般為露天種植，其產(chǎn)量受到諸多氣象因子的影響，國(guó)內(nèi)外眾多學(xué)者就氣象因子對(duì)油茶產(chǎn)量的影響進(jìn)行了研究。何超[10]分析了油茶產(chǎn)量與氣象因子間的相關(guān)性，提出影響油茶產(chǎn)量的主要?dú)庀笠蜃訛槿掌骄鶜鉁睾腿照諘r(shí)長(zhǎng)等。郭文揚(yáng)等[11]經(jīng)研究發(fā)現(xiàn)，花期低溫影響油茶開花、授粉和受精，花期積溫與油茶產(chǎn)量呈正相關(guān)。左繼林等[12]分析了氣象因子對(duì)油茶的出籽率、鮮果含油率和種仁含油率等經(jīng)濟(jì)性狀指標(biāo)的影響，提出最低氣溫、日降雨量、風(fēng)速和日均溫等因子對(duì)油茶鮮出籽率影響較大。曾燕如等[13]經(jīng)研究發(fā)現(xiàn)，油茶花期的降雨和霜凍等氣象條件會(huì)影響坐果率，進(jìn)而影響產(chǎn)量。吳麗華等[14]探究了氣象因子對(duì)油茶嫁接成活率的影響，提出5月下旬平均氣溫與油茶嫁接成活率的關(guān)聯(lián)度最高。黃超等[15]構(gòu)建了油茶產(chǎn)量預(yù)測(cè)的決策樹算法模型，將預(yù)測(cè)相對(duì)誤差率下降到15%以下。吳瀟等[16]通過構(gòu)建GM（1，1）模型對(duì)未來5年油茶籽的產(chǎn)量趨勢(shì)進(jìn)行預(yù)測(cè)，得出油茶籽產(chǎn)量未來有較大增長(zhǎng)，產(chǎn)業(yè)發(fā)展勢(shì)頭良好。但目前已有的產(chǎn)量預(yù)測(cè)模型存在敏感性較高、預(yù)測(cè)精度較低的不足。構(gòu)建油茶產(chǎn)量的精準(zhǔn)預(yù)測(cè)模型有利于指導(dǎo)油茶生產(chǎn)布局[17]，保障油茶市場(chǎng)供需動(dòng)態(tài)平衡，對(duì)于有關(guān)部門制定管理政策具有一定的指導(dǎo)意義。

隨著人工智能技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)以其較強(qiáng)的自適應(yīng)和自組織能力被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)預(yù)測(cè)領(lǐng)域[18-20]。BP 算法作為神經(jīng)網(wǎng)絡(luò)模型中較為成熟的算法，具有泛化能力強(qiáng)、容錯(cuò)率高等優(yōu)點(diǎn)。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型會(huì)受到因素?cái)?shù)量的制約，輸入太多無關(guān)因素會(huì)導(dǎo)致學(xué)習(xí)速度變慢，使模型結(jié)構(gòu)過于復(fù)雜，降低模型預(yù)測(cè)效率。本研究中選取油茶栽培面積較為集中的湖南、江西、浙江、廣西4 個(gè)地區(qū)作為研究區(qū)域[21]，以其單位面積油茶籽年產(chǎn)量作為因變量，以17 個(gè)氣象因子作為影響因子，將提取出的主成分作為輸入向量構(gòu)建主成分分析與BP 神經(jīng)網(wǎng)絡(luò)組合模型，尋找影響油茶籽單產(chǎn)的氣象因子間的復(fù)雜作用關(guān)系，旨在簡(jiǎn)化和改進(jìn)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型，為油茶籽產(chǎn)量預(yù)測(cè)的高效化和精準(zhǔn)化提供新的研究思路。

1 材料與方法

1.1 數(shù)據(jù)來源與獲取

構(gòu)建模型所需數(shù)據(jù)為1990—2019年湖南、江西、浙江、廣西4 個(gè)地區(qū)油茶籽年度總產(chǎn)量和實(shí)有油茶林面積[22-24]。氣象數(shù)據(jù)來源于中國(guó)氣象網(wǎng)和各省氣象局相同時(shí)段與區(qū)域共77 個(gè)氣象站點(diǎn)的17 個(gè)主要?dú)庀笠蜃拥臄?shù)據(jù)，包括3—5月平均溫度、6—8月平均溫度、9—11月平均溫度、12月—翌年2月平均溫度、平均最高氣溫、平均最低氣溫、全年日照時(shí)長(zhǎng)、平均露點(diǎn)溫度、3—5月降水量、6—8月降水量、9—11月降水量、12月—翌年2月降水量、平均相對(duì)濕度、平均風(fēng)速、平均最大持續(xù)風(fēng)速、平均最大瞬時(shí)風(fēng)速、平均海平面氣壓。油茶產(chǎn)量數(shù)據(jù)共240 條，氣象數(shù)據(jù)共38 760 條，其中湖南11 220 條，江西8 670 條，浙江9 180 條，廣西9 690 條。

1.2 數(shù)據(jù)預(yù)處理

使用MATLAB 2018B 軟件對(duì)數(shù)據(jù)進(jìn)行清洗，缺失值采用3 次樣條插值法處理，異常值則基于聚類的方法進(jìn)行檢測(cè)。根據(jù)油茶籽總產(chǎn)量和年末油茶林面積計(jì)算4 個(gè)地區(qū)單位面積油茶籽產(chǎn)量。計(jì)算各地區(qū)氣象站點(diǎn)數(shù)據(jù)平均值，為便于指標(biāo)間的計(jì)算和比較，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除量綱：

式中：x*j為j指標(biāo)的無量綱化值；xkj為k樣本j指標(biāo)的原始值；和sj分別為j指標(biāo)的平均值和標(biāo)準(zhǔn)差；n為樣本數(shù)量；p為氣象指標(biāo)數(shù)量。

1.3 預(yù)測(cè)模型的構(gòu)建

1.3.1 主成分分析

在進(jìn)行主成分分析前，首先計(jì)算各氣象指標(biāo)的相關(guān)系數(shù)矩陣，進(jìn)行KMO 和巴特利球形檢驗(yàn)，確保各氣象指標(biāo)間存在相關(guān)性和交叉關(guān)系，并且數(shù)據(jù)可信度高、效度良好。

首先計(jì)算出相關(guān)系數(shù)矩陣R，其次計(jì)算出R的特征值λ和單位正交特征向量U′，滿足URU′=diag(λ1，λ2，…，λp)。根據(jù)如下模型求出主成分對(duì)應(yīng)的特征值和貢獻(xiàn)率，得到主成分方程：

式中：ai為第i主成分的方差貢獻(xiàn)率；λi為第i主成分的相關(guān)系數(shù)矩陣特征值。

特征值與氣象指標(biāo)的重要程度具有緊密聯(lián)系，確定主成分保留數(shù)量時(shí)，為保證提取信息的完整度，要求主成分累計(jì)方差貢獻(xiàn)率大于80%。最終利用主成分方程計(jì)算出保留主成分在4 個(gè)地區(qū)每年的得分，將其作為BP 神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

1.3.2 BP 神經(jīng)網(wǎng)絡(luò)模型原理

神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)元進(jìn)行信息處理的算法數(shù)學(xué)模型。BP 網(wǎng)絡(luò)算法包括反向傳播和正向傳播2 個(gè)部分，由隱含層、輸出層和輸入層構(gòu)成，每層神經(jīng)元的狀態(tài)僅影響其下層的神經(jīng)元[25]。首先，通過正向傳播將信號(hào)從輸入層傳輸?shù)诫[含層，并在隱含層中進(jìn)行計(jì)算。然后將隱含層計(jì)算的結(jié)果傳輸?shù)捷敵鰧硬⑤敵觥Ｗ詈髮⒔Y(jié)果與期望值進(jìn)行比較，通過反向傳播即回溯，對(duì)誤差進(jìn)行修正。流程中使用的隱藏層中的函數(shù)稱為激活函數(shù)。回溯的過程將會(huì)重復(fù)，每次反求時(shí)會(huì)根據(jù)最后一層的結(jié)果改變權(quán)值和閾值，以減少誤差，當(dāng)誤差滿足要求時(shí)停止計(jì)算。

1.3.3 油茶籽產(chǎn)量預(yù)測(cè)組合模型

在本研究中以年為研究單位，選擇由17 個(gè)氣象因子提取出的主成分作為輸入變量，以單位面積油茶籽的產(chǎn)量作為輸出變量。將所提取的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入矩陣，其隱含層的輸出模型（Hj）和輸出節(jié)點(diǎn)的輸出模型（Ok）分別為

式中：h是作用函數(shù)；r是閾值；w為權(quán)重；X和T分別為輸入向量。選擇sigmoid 函數(shù)σ(y) = 1/(1 +e-y)作為激活函數(shù)[26]。改進(jìn)后神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 改進(jìn)后神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 The improved neural network topology

設(shè)置隱含層節(jié)點(diǎn)數(shù)量為10，選擇75%的數(shù)據(jù)作為訓(xùn)練集，25%的數(shù)據(jù)作為測(cè)試集。通過MATLAB 軟件自帶的神經(jīng)網(wǎng)絡(luò)工具箱和神經(jīng)網(wǎng)絡(luò)函數(shù)構(gòu)建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)，設(shè)置訓(xùn)練目標(biāo)誤差為0.000 1，學(xué)習(xí)率為0.01，通過sim 函數(shù)進(jìn)行仿真。

2 結(jié)果與分析

2.1 主成分分析結(jié)果

對(duì)1990—2019年4 個(gè)油茶主要產(chǎn)區(qū)氣象數(shù)據(jù)進(jìn)行KMO 和巴利特球形檢驗(yàn)，結(jié)果見表1。由表1可知，KMO 值均大于0.5 且通過了可信度為95%時(shí)的巴利特球形檢驗(yàn)，表明數(shù)據(jù)可信度較高，效度良好，各氣象指標(biāo)間存在相關(guān)關(guān)系。

表1 1990—2019年4 個(gè)油茶主要產(chǎn)區(qū)氣象數(shù)據(jù)的KMO 及巴利特球形檢驗(yàn)結(jié)果Table 1 KMO and Barit sphericity test results of meteorological data from 1990 to 2019 in four major C.oleifera producing areas

對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行主成分分析，結(jié)果見表2。由表2可知，按照累計(jì)方差貢獻(xiàn)率大于80%的原則，從4 個(gè)地區(qū)的氣象指標(biāo)數(shù)據(jù)中分別提取出8、9、8、8 個(gè)主成分。所提取主成分的總貢獻(xiàn)率分別為80.56%、81.98%、80.19% 和82.32%，說明所提取的主成分?jǐn)y帶原始數(shù)據(jù)大部分的信息，滿足進(jìn)一步研究的要求。

表2 1990—2019年4 個(gè)油茶主要產(chǎn)區(qū)氣象數(shù)據(jù)的主成分分析結(jié)果Table 2 Principal component analysis results of meteorological data from 1990 to 2019 in four major C.oleifera producing areas

所提取4 個(gè)地區(qū)的主成分的特征向量載荷如圖2所示。由圖2可見，H1、J1、Z1 和G1 在各自的主成分中貢獻(xiàn)率最大，從主成分特征向量系數(shù)來看，主成分H1 與6—8月平均溫度、9—11月平均溫度、3—5月降水量、平均露點(diǎn)溫度、平均最大持續(xù)風(fēng)速密切相關(guān)；主成分J1 與6—8月平均溫度、9—11月平均溫度、平均最低氣溫、全年日照時(shí)長(zhǎng)、平均最大持續(xù)風(fēng)速密切相關(guān)；主成分Z1與平均最低氣溫、全年日照時(shí)長(zhǎng)、3—5月降水量、平均海平面氣壓密切相關(guān)；主成分G1 與平均最低氣溫、全年日照時(shí)長(zhǎng)、平均露點(diǎn)溫度、平均風(fēng)速、平均海平面氣壓密切相關(guān)。

圖2 1990—2019年4 個(gè)油茶主要產(chǎn)區(qū)氣象數(shù)據(jù)主成分特征向量載荷Fig.2 Principal component eigenvector load of meteorological data from 1990 to 2019 in four major C.oleifera producing areas

2.2 BP 神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)結(jié)果

將改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)組合模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，訓(xùn)練集和測(cè)試集選擇1990—2018年4 個(gè)地區(qū)的數(shù)據(jù)。2 個(gè)模型結(jié)構(gòu)的參數(shù)見表3。由表3可知，改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)模型在迭代次數(shù)上優(yōu)于傳統(tǒng)模型，相對(duì)誤差較小，擬合度較高。改進(jìn)前模型平均收斂耗時(shí)為3 min 35 s，改進(jìn)后為1 min 21 s。改進(jìn)后的模型在遍歷較少次數(shù)后即能找到較優(yōu)的結(jié)果，較傳統(tǒng)模型在油茶籽單產(chǎn)的預(yù)測(cè)效率和精度上有了較大的提高。4 個(gè)主要產(chǎn)區(qū)油茶單位面積產(chǎn)量的模型預(yù)測(cè)結(jié)果如圖3所示。由圖3可以看出模型改進(jìn)前后的預(yù)測(cè)效果。

圖3 4 個(gè)主要產(chǎn)區(qū)油茶籽單位面積產(chǎn)量的模型預(yù)測(cè)結(jié)果Fig.3 Model prediction results of seed yield per unit area of C.oleifera in four major producing areas

表3 傳統(tǒng)模型和改進(jìn)模型的預(yù)測(cè)效果對(duì)比Table 3 Comparison of prediction effect between traditional model and improved model

2.3 模型預(yù)測(cè)效果驗(yàn)證

使用原始BP 神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)后的模型預(yù)測(cè)2019年4 個(gè)地區(qū)的單位面積油茶籽產(chǎn)量，對(duì)網(wǎng)絡(luò)模型的預(yù)測(cè)效果進(jìn)行驗(yàn)證。由于不同研究區(qū)具有不同的生產(chǎn)投入、土壤情況等屬性，所以不同地區(qū)模型的預(yù)測(cè)精度不同。總體來說，模型的預(yù)測(cè)精度均較高，且改進(jìn)模型均優(yōu)于傳統(tǒng)模型。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)模型對(duì)4 個(gè)產(chǎn)區(qū)油茶籽單位面積產(chǎn)量的預(yù)測(cè)結(jié)果的平均相對(duì)誤差如圖4所示。由圖4可見，改進(jìn)模型對(duì)江西地區(qū)油茶籽單位面積產(chǎn)量的預(yù)測(cè)效果最好，其平均相對(duì)誤差為1.95%，對(duì)于廣西地區(qū)的預(yù)測(cè)效果較差，但其平均相對(duì)誤差僅為2.27%。改進(jìn)后模型預(yù)測(cè)結(jié)果的平均相對(duì)誤差均下降到3%以下，與傳統(tǒng)模型相比，預(yù)測(cè)誤差分別下降了4.70、5.72、3.91、5.90 個(gè)百分點(diǎn)。

圖4 傳統(tǒng)模型和改進(jìn)模型對(duì)4 個(gè)產(chǎn)區(qū)油茶籽單位面積產(chǎn)量預(yù)測(cè)結(jié)果的平均相對(duì)誤差Fig.4 Average relative error of prediction results of seed yield per unit area of C.oleifera by traditional model and improved model in four producing areas

2.4 模型應(yīng)用

所有天氣因子均為內(nèi)生變量，即因子間可以相互影響[27]，使用向量自回歸的方法預(yù)測(cè)出2025年的天氣指標(biāo)值，標(biāo)準(zhǔn)化后的氣象指標(biāo)的預(yù)測(cè)值如圖5所示。

圖5 2025年4 個(gè)油茶產(chǎn)區(qū)氣象指標(biāo)標(biāo)準(zhǔn)化預(yù)測(cè)值Fig.5 Standardized forecast values of meteorological indicators in four C.oleifera producing areas in 2025

將標(biāo)準(zhǔn)化后的氣象指標(biāo)的預(yù)測(cè)值代入模型最終得到4 個(gè)地區(qū)2025年油茶籽的單位面積產(chǎn)量的預(yù)測(cè)值，如圖6所示。由圖6可見，2025年，湖南、江西、浙江、廣西的油茶籽單位面積預(yù)測(cè)產(chǎn)量分別為0.831、0.583、0.449、0.512 t/hm2，油茶籽的單位面積產(chǎn)量預(yù)測(cè)值較目前的單位面積產(chǎn)量有顯著提升。

圖6 2025年4 個(gè)產(chǎn)區(qū)油茶籽單位面積產(chǎn)量預(yù)測(cè)值Fig.6 Predicted seed yield per unit area of C.oleifera seed in four producing areas in 2025

3 結(jié)論與討論

本文中通過主成分分析提取出氣象指標(biāo)中的主成分，將其作為神經(jīng)網(wǎng)絡(luò)的輸入集，建立了主成分分析與BP 神經(jīng)網(wǎng)絡(luò)組合模型，對(duì)原有BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)和優(yōu)化。對(duì)主成分有重要貢獻(xiàn)的氣象因子有日照時(shí)長(zhǎng)、6—11月氣溫、3—5月降水量、最低氣溫、露點(diǎn)溫度、平均風(fēng)速、最大持續(xù)風(fēng)速、海平面氣壓。改進(jìn)后的模型改善了原有模型輸入?yún)?shù)過多導(dǎo)致神經(jīng)網(wǎng)絡(luò)過于復(fù)雜、迭代時(shí)間過長(zhǎng)的缺點(diǎn)，降低了無效信息的提取，極大地提高了信息利用率。將模型應(yīng)用于預(yù)測(cè)湖南、江西、浙江、廣西4 個(gè)地區(qū)的油茶籽單位面積產(chǎn)量。根據(jù)仿真結(jié)果，改進(jìn)后模型收斂速度更快，效率和準(zhǔn)確度較傳統(tǒng)預(yù)測(cè)方法均有了大幅提升。優(yōu)化后模型的平均相對(duì)誤差均下降至3%以下，預(yù)測(cè)精度上升，表明主成分分析與BP 神經(jīng)網(wǎng)絡(luò)組合模型可以應(yīng)用于油茶籽產(chǎn)量的預(yù)測(cè)。應(yīng)用模型得出2025年湖南、江西、浙江、廣西4 個(gè)地區(qū)的油茶籽單位面積產(chǎn)量較現(xiàn)在有顯著提升，相關(guān)部門可根據(jù)模型預(yù)測(cè)結(jié)果進(jìn)行相應(yīng)的發(fā)展戰(zhàn)略部署。

從4 個(gè)地區(qū)影響油茶產(chǎn)量的主要?dú)庀笠蜃拥闹鞒煞址治鼋Y(jié)果可知，日照時(shí)長(zhǎng)為重要的影響因子。油茶喜歡光照充足的環(huán)境，同時(shí)油茶為蟲媒授粉植物，光照的增加有利于昆蟲外出活動(dòng)。從物候期的角度分析，油茶果實(shí)第1 次膨大期為2—4月，果實(shí)膨大高峰期和油脂轉(zhuǎn)化積累高峰期為6—11月[28]，其間需要充足的水分和足夠的溫度來保障果實(shí)的發(fā)育，所以這一時(shí)段的氣溫和降水量起到至關(guān)重要的作用，適宜的溫度和降水量能夠提高油脂的轉(zhuǎn)化率和油茶籽產(chǎn)量。平均最低氣溫也是重要的影響因素。低溫會(huì)抑制花粉的開裂，導(dǎo)致成熟期果實(shí)偏小、產(chǎn)量減少53%[29]。風(fēng)速過強(qiáng)會(huì)影響植物生長(zhǎng)，從而間接影響產(chǎn)量。露點(diǎn)溫度是空氣濕度的直接反映[30]。空氣濕度和氣壓會(huì)影響植物的蒸騰速率，制約部分植物的花藥開裂、花粉萌發(fā)、授粉受精等過程[31]，這些氣象因子十分重要卻難以控制。彭嘉棟等[28]經(jīng)研究發(fā)現(xiàn)，湖南省油茶開花期的平均氣溫、果實(shí)膨大高峰期的降水日數(shù)量、油脂轉(zhuǎn)化期和積累高峰期的日照時(shí)長(zhǎng)及花芽成熟期的平均氣溫是影響油茶產(chǎn)量的主要?dú)庀笠蛩兀c本研究結(jié)果一致。目前，露點(diǎn)溫度、風(fēng)速、最大持續(xù)風(fēng)速、海平面氣壓對(duì)油茶產(chǎn)量的影響尚未從生理學(xué)角度加以證明，氣象因子對(duì)油茶產(chǎn)量的影響有待進(jìn)一步深入研究。

從模型預(yù)測(cè)效果來看，改進(jìn)后模型的預(yù)測(cè)效率和準(zhǔn)確度較傳統(tǒng)預(yù)測(cè)方法均有了大幅提升，表明主成分分析與BP 神經(jīng)網(wǎng)絡(luò)組合模型可以應(yīng)用于油茶籽產(chǎn)量的預(yù)測(cè)。本研究中僅考慮了氣象指標(biāo)對(duì)油茶產(chǎn)量的影響，后期可以考慮研究不同地區(qū)、不同年份及不同撫育狀況下油茶產(chǎn)量的差異，增加勞動(dòng)力、農(nóng)業(yè)投入等因素使預(yù)測(cè)模型更完善。本研究中未充分考慮油茶良種替代傳統(tǒng)油茶品種，以及各級(jí)林業(yè)部門和油茶種植戶積極推廣應(yīng)用油茶低產(chǎn)林改造等先進(jìn)生產(chǎn)技術(shù)的情況，故實(shí)際油茶產(chǎn)量應(yīng)高出預(yù)測(cè)結(jié)果，下一步應(yīng)收集低產(chǎn)林改造方面的統(tǒng)計(jì)數(shù)據(jù)，進(jìn)一步改進(jìn)該模型。