基于集成機器學習的大理紅花大金元種植適宜性區劃

中圖分類號：S572；S126 文獻標識碼：A文章編號：1007-5119（2025）02-0113-08

1，1*，2，3，4，1，1，1（1.河南農業大學資源與環境學院，鄭州450046；2.云南省煙草公司大理州公司，云南大理67100；3.浙江萬里學院信息與智能學院，浙江寧波315000；4.河南農業大學煙草學院，鄭州450046)

Planting Suitability Zones of Honghuadajinyuan in Dali Prefecture Based on Integrated Machine Learning

WENG Qianwen1， CHEN Weiqiang1*，WANG Dexun2， CHEN Yilin3， SHI Hongzhi4， MA Yuehong1， YU Ying1，YUAN Yuke1 (1.College ofResouresandEnviroment，Henan Agrcultural University，Zhengzhou45o46，China; 2.YuanTobaccoCompany Dali PrefectureCompany，Dali7o，Yunnan，Cina;3.ColegeofInformationand IntelligenceEnginering，Zhejng Wanli University，Ningbo350oo，Zhejang，China;4.TobacoColegeofHenanAgriculturalUniversityZhengzhou4546，China)

Abstract:Theflue-cured tobaccovariety“Honghuadajinyuan”exhibitspoorecologicaladaptability.Toestablishaninteligent Zoning methodforitscultivationsuitabilityinDali tobacogrowingarea，sevenecologicalenvironmentalovaratesereselected， includingaltitde，precipiationuringteaturitypriod，eantemperatueduringteaturitypriod，drotealit， soil pH，availablepotassumcontent，andwater-solublechlorieontent.Using752surveydatastsastraiingsamplesandthe ensembleofmachine learming algorithms，weinvestigatedthecultivationsuitabilityzoningof“Honghuadajinyuan”inDali Prefecture.Resultsdemonstratedasthefolows.(1）Thesuitabilityof“Honghuadajinyuan”showsmultidimensionalnonlinear relationshipwithenvironmentalcovariates，validatingtheuseofnonlinearmachneleamingmodels.2)Theoptimalmodelswere CHAIDdecisiontresitegratedwithaggingadbostingalgorits.Inthesuitabilitycassodel，thehydrotheralcoient， soilavailablepotas，ndmatuityperdprcipiatiwereteostiialinicatos;Iteabilityvelodelatity period precipitation，meantemperatureuringthematuritypriodandaltitudewereproritzed.(3)Among1458evalatioits， 471wereclasifiedas“mostsuitable”，456as“moderatelysuitable”and531as“unsuitable”.Suitablecultivationareas were concentratedinJianchanYunlong，Eryan，Dalirefecture，Weishan，Miduandanjiancountiesaswellasteastend western partsofBinchuanandthesouthwesternregionofYongping. (4)Validationusingsensory evaluationdata from48tobacco leaf samples confirmed the alignment of zoning results with actual quality.These findings provide a scientific basis for optimizing “Honghuadajinyuan” cultivation Zoning in Dali Prefecture.

Keywords: machine learning; Honghuadajinyuan; planting suitability assessment; Dali prefecture

紅花大金元品種煙葉清香型風格突出，香氣質好，香氣量足，深受卷煙企業的青睞[1]。紅花大金元的生長發育和品質形成對生態環境及栽培技術有特殊要求。周金仙[2研究表明，紅花大金元對氣候、地形、土壤等具有較強的選擇性，其適應區域窄，品種適應性差。云南省大理州具有得天獨厚的自然條件，適宜紅花大金元煙葉種植，是全國種植比例最高、規模最大的紅花大金元種植區[3]。

自20世紀60年代以來，我國已先后開展3次全國范圍的煙草種植區劃研究，并取得豐富成果[4]，但相對宏觀。從方法上看，大多數研究主要從氣候、地形、土壤3個方面選取指標，并采用多因素綜合評判法進行[4-7]。隨著數字化和人工智能技術的快速發展，各種新的評價理論與方法相繼提出，部分學者使用機器學習算法結合環境數據的方法來進行作物的適宜性預測[8，例如使用隨機森林9、最大熵模型(MaxEnt)[10]、神經網絡[1]等算法進行環境因子與作物種植適宜性之間的相關性分析。作物適宜性評價對象也越來越精細化，由基本糧食作物[12-13]擴展到地方特色經濟作物[14]

大理州在2010年開展了“大理特色優質煙葉區劃與規劃研究\"[15]，該成果深入分析了煙葉品質與氣候、地形、土壤等環境因子的關系，為本研究的協變量選擇提供了理論基礎。然而，該研究未針對具體煙葉品種，且研究尺度僅到鄉鎮級，無法滿足紅花大金元品種推廣的需求。因此，本研究在前期研究的基礎上，以村級田塊為評價尺度，采用機器學習算法，對大理州紅花大金元的種植適宜性區劃進行深入研究，以更好地支持紅花大金元品種的推廣。

1 材料與方法

1.1 研究區概況

大理白族自治州(以下稱“大理州\")位于云南省西北部，東經 、北緯 之間，地處云貴高原與橫斷山脈結合部位，屬亞熱帶高原季風氣候，地表形態復雜多樣，境內有高原、山地、盆地等多種地貌類型，湖盆眾多。年平均氣溫 ，年平均日照時數 2 0 8 8 . 2 h 年平均降水量 6 1 1 . 9 m m ，2022年大理州耕地總面積36.9萬 ，烤煙種植面積3.35萬 ，約占耕地總面積的 9 . 1 % 。

1.2 數據來源與預處理

1.2.1標簽數據收集與處理通過收集大理州紅花大金元種植歷史資料、卷煙企業對大理煙區多年煙葉樣品評價報告，走訪大理州各縣(市、區)煙站的技術人員，獲得大理州752個村的紅花大金元種植適宜性標簽數據。數據設有“適宜類”和“適宜級'兩個標簽字段：“適宜類”字段取值范圍是[“適宜類”，“不適宜類”]；“適宜級”字段取值范圍是[“最適宜級”，“較適宜級”]，且僅對取值為“適宜類”的數據進行標記。

1.2.2環境協變量數據收集與處理根據參考文獻[1-7]以及“大理特色優質煙葉區劃與規劃研究”的前期成果[15]，本研究從氣候、地形和土壤三個方面選擇環境協變量。通過機器學習初步建模測試，篩選出了7個最重要的環境變量判別因子，分別是：成熟期均溫、成熟期降水、水熱適度系數、高程、土壤pH、土壤速效鉀含量以及土壤水溶性氯含量。環境變量的數據來源如表1所示。

數據處理過程如下：

1)對氣象觀測數據進行統計計算，得到2000—2021年7月至9月煙葉成熟期的多年平均氣溫和降水量。利用ArcGIS10.8對成熟期降水量進行空間插值，并對成熟期均溫進行空間回歸分析，由此生成大理州區域化的柵格數據。通過大理州煙草成熟期均溫和降水的標準化賦值[15]計算得到水熱適度系數[公式（1)]，進一步得到其柵格數據。

公式(1)中： G 為煙葉成熟期的水熱適度系數， 為區域內第 i 縣市 煙葉成熟期降水標準化賦值(表2)、 為區域內第 i 縣市 (區)煙葉成熟期均溫的標準化賦值(表3)。

2)利用ArcGIS10.8對土壤樣點進行克里金插值，得到大理州土壤pH、速效鉀含量、水溶性氯含量等理化性質柵格數據。

3)從大理州LUCC圖層中提取出耕地分布，利用大理州行政村邊界圖層與大理州耕地分布圖層疊加，得到1458個適宜性評價單元。

4)利用ArcGIS10.8分區統計功能，計算得到各評價單元煙葉成熟期均溫、成熟期降水、水熱適度系數、高程、土壤pH、土壤速效鉀含量、土壤水溶性氯含量等指標的平均值。

1.2.3大理州紅花大金元煙葉評吸數據本研究收集了2019年和2020年大理煙區紅花大金元適宜區煙葉樣品的評吸數據，共計48條。記錄樣品的村莊名稱，將評吸數據與適宜性評價結果進行對比驗證。

1.3 研究思路與方法

1.3.1研究思路利用大理州紅花大金元種植適宜性標簽數據及其對應的環境協變量構建學習樣本。將紅花大金元種植適宜性評價分解為“適宜類\"和“適宜級\"2個二值判斷問題。采用多模型測試選優法，分別測試決策樹、神經網絡、隨機森林等多種機器學習算法，選擇最優的訓練模型，用于判別全體評價單元的適宜性。最后利用大理州紅花大金元煙葉樣品評吸數據驗證適宜性評價結果。

1.3.2機器學習算法 (1)決策樹。決策樹(Deci-sionTree)是一種常用的機器學習算法，用于分類和回歸任務。它通過樹狀結構來表示數據的決策過程，每個內部節點代表一個特征屬性上的判斷，每個分支代表一個判斷結果，而每個葉節點代表最終的決策結果或者輸出值。Breiman等[16]提出了早期的決策樹分類CART算法，Quinlan[7]引入信息增益提出了ID3算法和C4.5算法，目前已發展到C5.0算法。決策樹分類算法一般有兩個步驟：一是利用訓練集從最頂層的根節點開始，自頂向下依次判斷，形成一棵決策樹(即建立分類模型)；二是利用建好的決策樹對分類樣本集進行分類[18]。

(2)人工神經網絡。人工神經網絡(ANN)是一種模擬生物神經網絡進行信息處理的數學模型，簡稱為神經網絡，是經典的機器學習算法。多層感知器(MultilayerPerceptron，MLP)是人工神經網絡的一種典型模型，廣泛應用于模式識別、分類和回歸等任務。MLP的結構由多個神經元(或節點)組成，這些神經元排列成不同的層次，包括輸入層、一個或多個隱藏層以及輸出層[19-20]。為了達到更好的效果，模型的結構在網絡的性能中起著重要的作用。輸入層的大小直接對應數據的特征維度，不需要進一步設計。隱藏層是模型的核心，可根據需求設置多個隱藏層，經典MLP通常只有一層或兩層隱藏層，本研究設置1個隱含層。每個隱藏層中的神經元數量同樣需要根據問題的復雜性和數據集規模來確定，本研究采用逐步增減神經元，直到找到最優的神經元數量的方法。神經元激活函數用于引入非線性，使MLP能夠學習復雜的非線性關系，本研究采用雙曲正切函數(Tanh)，它的輸出范圍是（-1，1)，對稱性較好。輸出層節點數為需要分類的類別數，將隱藏層的輸出結果作為輸人，采樣Softmax激活函數輸出分類結果。

(3)集成學習算法。面對數據結構復雜、數據量大、數據質量參差不齊等問題，Hansen等[21]提出了集成學習方法(EnsembleLearning)，成為了大數據分析的強有力工具。集成學習算法通過某種方式或規則將若干個基分類器的預測結果進行綜合，進而有效克服過學習，提升分類效果。集成算法按照基分類器是否存在依賴關系分為兩類：基分類器之間沒有依賴關系的Bagging系列算法和有依賴關系的Boosting系列算法。

Bagging集成學習方法是Breiman提出的一種基于自助抽樣法(BootstrapSampling)并行訓練多個基分類器并進行集成學習的算法[21]。其原理是，首先對原始訓練集使用自助法抽樣的方式得到多個采樣集，然后用這些采樣集分別對多個基分類器進行訓練，最后通過基分類器的組合策略得到最終的集成分類器。在分類問題中，Bagging通常使用投票法，按照少數服從多數或票數過半的原則來投票確定最終類別。

Boosting是另一種集成學習方法，它通過組合多個弱學習器來構建一個強學習器。Schapire[22]最早提出了兩種Boosting算法，Freund 等[23]基于Boosting思想進一步提出了AdaBoost算法。這種方法的核心思想是，通過提高對前一輪訓練中被錯誤分類的樣本的權重，逐步改進模型的性能。多個弱學習器(通常是決策樹)按順序進行訓練，每個后續的弱學習器都會嘗試修正前一個學習器的錯誤，最終的預測結果是通過投票或平均組合所有弱學習器的預測結果。

1.3.3模型驗證與優選方法將學習樣本按照7:3的比例隨機劃分為訓練集和測試集，利用訓練集中的數據訓練模型并確定其參數，利用測試集測試模型在未見過的數據上的表現，分別計算準確率(Accuracy）、精確度（Precision）、召回率(Recall)和F1分數，評估模型的性能。計算公式如下：

公式(2)\\~(5)中： T P 表示實際為正類且預測為正類的數量， 表示實際為負類且預測為負類的數量， F P 表示實際為負類但預測為正類的數量，FN表示實際為正類但預測為負類的數量。

在數據集呈現平衡狀態，即正類與負類樣本數量大致相當的情況下，準確率作為一種評估指標具有其有效性。然而，當數據集的類別分布呈現不平衡特征，即各類別樣本數量差異顯著時，準確率可能無法準確反映模型的實際性能，從而掩蓋了模型的真實表現。針對類別不平衡的數據集，F1分數相較于準確率而言，展現出更高實用性，原因在于F1分數綜合考量了精確度和召回率兩個維度，從而提供更全面的性能評估。鑒于此，本研究采用在測試集上計算所得的F1分數與準確率作為判別模型優劣的主要依據。

2結果

2.1學習樣本描述性統計

對752個學習樣本協變量指標值進行分類統計，結果如表4所示。根據“適宜類”和“適宜級”兩個字段值的組合，按照“適宜類-最適宜級”、“適宜類-較適宜級”、“不適宜類\"統計數據，各統計指標并未顯示出明顯的規律。例如，高程指標方面，“適宜類-最適宜級”的平均高程為 1 9 2 7 . 3 0 m “適宜類-較適宜級”為 2 0 2 0 . 4 0 m ，不適宜類為1 9 2 1 . 7 3 m ，數據并未呈現出階梯式遞增或遞減的趨勢。紅花大金元的適宜性與環境協變量之間表現出多維非線性分割的關系，因此適宜采用非線性機器學習判別模型解決該適宜性評價問題。

2.2 模型構建

2.2.1適宜類判別模型構建本研究利用IBMSPSSModeler18.0系統進行數據建模與分析。將學習樣本按照 7 : 3 的比例隨機分割為訓練集和測試集，利用多模型測試對比法，擇優構建適宜性評價模型。以“適宜類\"字段為目標變量進行建模，經過初步建模發現，CR、C5.0、CHAID三種決策樹模型和神經網絡模型的判別精度較高，將這4種模型結合Boosting和Bagging集成學習算法，提升模型精度。本研究中神經網絡模型采用的是多層感知器(MLP)模型，網絡結構為僅設1個隱含層的3層網絡結構，隱含層神經元數量由SPSS系統自動優化得到，采用Bagging集成學習算法的50

表4學習樣本描述性統計

個神經網絡模型隱含層神經元數量為3\\~10個不等，采用Boosting集成學習算法的50個神經網絡模型隱含層神經元數量為2\\~11個不等。CR、C5.0、CHAID三種決策樹的模型結構由SPSS系統計算得到，模型參數如表1所示。從表5中可以看出，采用Bagging集成學習算法的CHAID決策樹模型，在測試集上判別準確率達到 9 3 . 6 7 % ，F1分數達到0.9504，均高于其他模型，因此選擇該模型作為最終的適宜類評價模型。

2.2.2適宜級判別模型構建以“適宜級\"字段為目標變量，從學習樣本中篩選出標簽為“適宜類”的記錄作為新的學習樣本，按照 7 : 3 的比例將其分為訓練集和測試集。分別訓練各個機器學習模型，適宜級判別模型精度如表6所示。從表中可以看出，采用Boosting集成學習算法的CHAID決策樹，在測試集上準確率達到 7 9 . 7 4 % ，F1分數達到0.7832，高于其他模型，故選擇該模型為最優的適宜級評價模型。

2.2.3環境協變量重要性分析訓練模型返回的預測變量重要性結果如表7所示。在判別大理州紅花大金元適宜類時，水熱適度系數、土壤速效鉀含量和成熟期降水是最重要的3個指標。在進一步判別適宜級時，成熟期降水、成熟期均溫、高程則成為最關鍵的影響因素。

表7預測變量重要性

2.3 紅花大金元種植適宜性評價與區劃

首先利用ArcGIS系統的空間分析功能，提取1458個評價單元的環境協變量信息。然后利用構建的Bagging集成優化的CHAID決策樹適宜類判別模型，對1458個評價單元進行“適宜\"和“不適宜\"判別，結果表明927個評價單元評價為適宜類，531個評價單元評價為不適宜類。進一步利用Boosting集成優化的CHAID決策樹適宜級判別模型，對927個被評為適宜類的評價單元進行進一步判別，結果表明“最適宜\"和“較適宜\"評價單元分別為471個和456個。最后在ArcGIS系統中綜合適宜類和適宜級的評價結果，生成大理州紅花大金元種植適宜性區劃圖，結果如圖1所示。從空間上看，劍川縣、云龍縣、洱源縣、大理州、巍山縣、彌渡縣和南澗縣大部分地區，以及賓川縣東西兩側、永平縣西南部劃為紅花大金元適宜種植區，而鶴慶縣、賓川縣、永平縣、漾濞縣、祥云縣大部分地區劃為紅花大金元不適宜種植區。

2.4 評價結果驗證

利用收集到的48個來自適宜區的紅花大金元煙葉樣品評吸數據對評價結果進行驗證，集成機器模型評價的結果如表8所示。32個樣品位于最適宜區，占總樣品的 6 6 . 6 7 % ，15個樣品位于較適宜區，占總樣品的 3 1 . 2 5 % ，1個樣品位于不適宜區，占總樣品的 2 . 0 8 % ，適宜區（最適宜區 + 較適宜區）預測正確率為 9 7 . 9 2 % 。從最適宜、較適宜和不適宜三個區域的樣品評吸平均得分來看，樣品評分逐次下降，邏輯關系符合預期。本次大理州紅花大金元種植適宜性區劃結果與實際情況相符。

3討論

機器學習法建模與傳統統計學建模方面存在顯著差異。傳統統計建模通常以解釋變量之間的關系為主要目標，強調模型的可解釋性，機器學習建模則更多側重于預測準確性。傳統統計建模特征選擇通常通過理論知識和先驗假設進行，機器學習建模特征選擇更多依賴算法自身特性和數據驅動。本研究通過前期機器學習建模的反復測試，篩選出高程、成熟期降水、成熟期均溫、水熱適度系數、土壤pH、土壤速效鉀含量、土壤水溶性氯含量等7個關鍵評價因子[24]。通過分析發現，在對大理州紅花大金元進行適宜類評價時，排名前兩位的主導環境因子分別是水熱適度系數與土壤速效鉀含量。水熱適度系數可以綜合反映一個地區的水熱條件，對植物成長具有顯著影響作用，在關鍵氣象因子中，降水的影響大于溫度的影響。土壤速效鉀含量對煙葉的糖分積累影響較大，能夠有效提高煙葉香氣質和香氣量，改善煙葉燃燒性[25]。而在進行適宜級評價時，對模型貢獻率較高的環境因子分別為成熟期降水與成熟期均溫，二者是影響煙葉品質的重要氣象因子，這與前人研究結論一致[26-28]。綜上分析，本研究利用機器學習建模中特征重要性篩選出的7個變量，總體上是可以解釋的，但是也不排除出現難以理解的現象，比如土壤有機質和全氮等指標沒有入選評價因子。

集成機器學習算法與GIS的結合克服了傳統生態適宜性評價中的不確定性和主觀性問題。經過初步驗證，本研究結果與實際生產情況基本一致。目前，大理州紅花大金元的主要產區位于最適宜區和較適宜區，高產優質煙區基本位于最適宜區。這表明，盡管集成機器學習算法在作物種植適宜性評價研究領域的應用相對少見，但本研究結果顯示，該方法在特定煙葉品種的種植區劃中是準確且高效的。研究結果不僅為大理州紅花大金元種植提供了科學參考，也為相關研究提供了方法借鑒。

4結論

本研究以大理州紅花大金元種植適宜性區劃為目標，利用機器學習建模方法，基于氣象、地形和土壤等環境協變量，預測其種植適宜區。主要結論如下：

(1)紅花大金元適宜性與環境協變量呈多維非 線性關系，適合采用非線性機器學習模型

(2)通過模型優選發現，最優模型為Bagging和Boosting集成學習算法的CHAID決策樹。適宜類判別模型中，水熱適度系數、土壤速效鉀含量和成熟期降水最為重要；適宜級判別模型中，成熟期降水、成熟期均溫、高程最為重要

(3)利用構建的適宜類和適宜級判別模型，對1458個評價單元進行判別，結果顯示，“適宜類-最適宜級”471個，“適宜類-較適宜級\"456個，“不適宜類\"531個。劍川縣、云龍縣、洱源縣、大理州、巍山縣、彌渡縣、南澗縣大部分地區，賓川縣東西兩側、永平縣西南部為適宜種植區。

(4)經48個樣品評吸數據驗證，區劃結果符合實際。

參考文獻

[1] 程浩，孫福山，翟所亮，等.特色烤煙品種紅花大金元煙葉質量 的影響因素分析[J].中國煙草科學，2009，30(2)：21-25. CHENGH， SUNFS， ZHAI SL， et al.Influencing factor analysis on tobacco leaf qualities of feature variety Honghuadajinyuan[J]. Chinese Tobacco Science，2009，30(2):21-25.

[2] 周金仙.不同生態條件下煙草品種產量與品質的變化[J].煙草科技， 2005，38(9):32-35. ZHOUJX.Yield and qualitychanges of tobacco varieties in different ecological zones[J].Tobacco Science Technology，2005， 38(9):32-35.

[3] 曹祥金.大理紅大為什么這樣紅[N].東方煙草報，2011-05-05(4). CAO X J. Why is“Hongda” in Dali Prefecture so popular[N]. Dong Fang Yan Cao Bao，2011-05-05(4).

[4] 葉協鋒.河南省煙草種植生態適宜性區劃研究[D].楊凌：西北農 林科技大學，2011. YEX F. Study on Henan tobacco growing regionalization of ecological suitablity[D].Yangling:Northwest AFUniversity，2012. 農業大學，2008. SHAOY， Zonization on ecological adaptability of tobacco plantation in Yunnan based on GIS[D]. Changsha:Hunan Agricultural University，2009.

[6] 董謝瓊，徐虹，楊曉鵬，等.基于GIS 的云南省烤煙種植區劃方 法研究[J].中國農業氣象，2005，26(1)：16-19. DONGXQ，XUH，YANGXP，etal. GIS-based study ofa method offlue-cured tobacco planting suitability regionalization in Yunnan Province[J]. Agricultural Meteorology，2005， 26(1): 16-19.

[7] 顧本文，胡雪瓊，吉文娟，等.云南植煙區生態氣候類型區劃[J]. 西南農業學報，2007，20(4)：772-776. GU B W，HU X Q，JI W J，et al.Eco-climate regional division of tobacco growing area in Yunnan[J].Southwest China Journal of Agricultural Sciences，2007，20(4):772-776.

[8] 張晨，林艷，周華.基于數據挖掘方法的玉米和油菜土地適宜性 分析：以貴州省遵義市為例[J].水土保持通報，2022，42(3)： 188-198. ZHANG C，LIN Y， ZHOU H. Analysis on land suitability for maize and rapeseed production based on data mining method: A case study at Zunyi City，Guizhou Province[J].Bulletin of Soil and Water Conservation，2022， 42(3): 188-198.

[9] 王瓏，何英彬，王向一，等.基于動態過程導向的馬鈴薯種植適 宜性時空精細化評價研究[J].中國農業資源與區劃，2023，44(9)： 179-188. WANG L，HEY B，WANG XY， etal. Spatio-temporal refined assessment of potato planting suitability based on dynamic process orientation[J]. Chinese Journal of Agricultural Resourcesand Regional Planning，2023，44(9): 179-188.

[10]陳程浩，龍主多杰，陸徐偉，等.基于優化MaxEnt模型的中國 紫堇屬植物生境適宜性研究[J].生態學報，2023，43(24)：10345- 10362. CHENCH，LONG Z，LUXW，et al.Habitat suitabilityof Corydalis based on the optimized MaxEnt model in China[J].Acta Ecologica Sinica，2023，43(24):10345-10362.

[11]侯藝璇，趙華甫，吳克寧，等.基于BP神經網絡的作物Cd含量 預測及安全種植分區[J].資源科學，2018，40(12)：2414-2424. HOUYX，ZHAO HF，WUKN， et al.Prediction of crop Cd content and zoning of safety planting based on BP neural network[J]. Resources Science，2018，40(12):2414-2424.

[12]王珊，廖桂堂，鄧勇剛，等.GIS 支持下的玉米種植區土地生態 適宜性評價[J].中國農業資源與區劃，2020，41(11)：174-182. WANG S，LIAO GT，DENGYG，etal.Evaluation of land ecological suitability in maize planting areas supported by GIS[J]. Chinese Journal of Agricultural Resources and Regional Planning， 2020， 41(11): 174-182.

[13]王杏鋒，李代超，吳升，等.水稻種植環境綜合適宜性評價方法 研究[J].地球信息科學學報，2021，23(8)：1484-1496. WANGXF，LID C，WU S，etal.Research on comprehensive suitability evaluation method of rice planting environment[J]. Journal of Geo-Information Science，2021， 23(8): 1484-1496.

[14]葉吉，田樹國，孫海紅，等.我國東北地區蒼術的生境適宜性評 價[J].生態學報，2024，44(9)：3736-3744. YE J， TIAN S G， SUN H H， et al.Habitat suitability assessment of theauthentic medicinal herb Atractylodes lancea in northeast China[J].Acta Ecologica Sinica，2024，44(9):3736-3744.

[15]樊在斗，李國燦，張成穩，等.大理特色優質煙葉氣候生態區劃 FANZD，LI G C， ZHANG C W，et al.Climatic and ecological zoning for high-quality tobacco leaveswith dali characteristics[M]. Beijing:China Meteorological Press，2012.

[16] LOHW Y.Classification and regression trees[J].WIREs Data Mining andKnowledgeDiscovery，2011，1(1):14-23.

[17] QUINLAN J R.C4.5: Programs for machine learning[M].San Mateo: Morgan Kaufmann Publishers，1993.

[18]XIE N N， LIU Y X. Notice of retraction: Review of decision trees[C]//2olo 3rd International Conference on Computer Science and Information Technology，Chengdu.IEEE，201o:105-109.

[19]楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜 述[J].統計與決策，2019，35(6)：36-40. YANG JF， QIAO P R， LI Y M， et al. A review of machine-learning classification and algorithms[J].Statistics Decision，2019，35(6): 36-40.

[20] ZHU H，LIU JF， TANG XL， et al. Training multilayer perceptron with multiple classifier systems[C]//Advances in Neural NetworksISNN2004.Berlin，Heidelberg:Springer Berlin Heidelberg，2004: 894-899.

[21] HANSENLK，SALAMONP.Neural network ensembles[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1990， 12(10): 993-1001.

[22] SCHAPIRE R E. The strength of weak learnability[J].Machine Learming，1990，5(2): 197-227.

[23]FREUNDY， SCHAPIRE RE.A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of Computerand SystemSciences，1997，55(1):119-139.

[24] 陳海生，劉國順，劉大雙，等.GIS支持下的河南省煙草生態適 宜性綜合評價[J].中國農業科學，2009，42（7)：2425-2433. CHENHS，LIUG S，LIUD S，et al.Studies oncomprehensive evaluation of tobacco ecological suitability of Henan Province supported by GIS[J]. Scientia Agricultura Sinica， 2009， 42(7): 2425- 2433.

[25] 黃俊杰，楊志娟，李世琛，等.大理紅塔植煙基地土壤養分狀況 分區評價[J].土壤通報，2016，47(2)：384-390. HUANG J J， YANG Z J，LI S C，et al. Evaluation of nutrients availability of tobacco-growing soil in Hongta bases of Dali City， Yunnan Province[J]. Chinese Journal of Soil Science，2016，47(2): 384-390.

[26] 姬興杰，孟寒冬，左璇，等.河南煙區主要氣候因子與烤煙煙葉 化學成分的關系[J].中國煙草科學，2017，38(1)：35-41. JI X J， MENG H D， ZUO X， et al. Relationships between main climatic factors and chemical components of flue-cured tobacco leaves in Henan tobacco-growing areas[J]. Chinese Tobacco Science， 2017，38(1): 35-41.

[27]李雨，翟欣，胡鐘勝，等.基于氣候條件與煙葉質量的烤煙適宜 種植品種選用[J].中國煙草科學，2015，36(3)：19-23. LI Y，ZHAI X，HU Z S，etal.Screening of flue-cured tobacco varieties based on climate conditions and quality of tobacco leaf[J]. Chinese Tobacco Science，2015，36(3):19-23.

[28]張宏建，王發勇，羅靜，等.不同生態亞區土壤和氣候對濃香型 烤煙光合特性和化學成分的影響[J].華南農業大學學報，2019， 40(1):23-31. ZHANG HJ，WANGFY，LUOJ，etal.Effectsof soil andclimate on photosynthetic characteristics and chemical constituents of strongflavorflue-cured tobacco in different ecological subregions[J]. Journalof South China Agricultural University，2019，40(1):23-31.