基于CNN-BiLSTM-Attention模型的胡麻產量預測

中圖分類號：S565.9 文獻標識碼：A 文章編號： 1000-4440（2025）07-1342-（

Flax yield prediction based on CNN-BiLSTM-Attention model

LI Xingyu'，LI Yue ^1，2 ， GAO Yuhong2，3（1.Colfdlsi；ebHabtats，Uesi；fes

Abstract：This study proposed a deep learning-based model integrating Convolutional Neural Network （CNN），BidirectionalLongShort-TermMemory（BiLSTM）andatentionmechanismtopredictflaxyield.Themodelcombinedthe spatialfeature extractioncapabilityofCNN，the temporal dynamicmodelingabilityof BiLSTM，and the featureadaptive weighting functionof the Atentionmechanism.The model was trained using climatedata，vegetation indices，andyielddata during 2000-2020.Experimentalresultsshowed that theCNN-BiLSTM-Attntionmodel significantlyoutperformedtraditional models in prediction accuracy，with a root mean square error （ RMSE ）of 316.98kg/hm² and a coefficient of determination （ R² ）of 0.83.The model maintained good stabilityand high accuracy under interannual climate change conditions.This studyprovides technical supportforflaxyieldprediction，and itsmodulardesign frameworkcanalsobeextended tohe growth monitoring and yield prediction of other crops.

Key words：flax；yield prediction；deep learning；Convolutional Neural Network；Bidirectional Long Short-Term Memory model

胡麻（油用亞麻）是亞麻科（Liancease）亞麻屬（Linum）的重要油料作物[1]，其籽粒富含不飽和脂肪酸（亞麻酸、亞油酸、油酸）、木酚素和亞麻膠等活性物質，具有降血脂、降血壓、降血糖以及預防心腦血管疾病等功能[2]。隨著消費者對功能性食用油需求的增長，胡麻油的市場需求持續(xù)擴大，導致國內產需缺口日益擴大，進口量逐年攀升[3-5]然而，胡麻多種植于年降雨量 300～500mm 的半干旱雨養(yǎng)農業(yè)區(qū)，降水時空分布不均加上灌溉條件有限，導致胡麻產量較低且不穩(wěn)定[6-8]。建立準確的胡麻產量預測模型對產業(yè)可持續(xù)發(fā)展具有重要意義。

目前，作物產量預測主要采用統(tǒng)計模型、作物模擬模型和機器學習模型。（1）統(tǒng)計模型通過整合多維數據揭示產量與環(huán)境、管理因子的關聯(lián)性，如Jeong等[9]利用隨機森林和多元線性回歸模型預測小麥、玉米和馬鈴薯產量;嚴海軍等[基于支持向量回歸算法構建首蓿產量預測模型。然而，該類模型依賴特定的假設，難以處理復雜非線性關系；（2）作物模擬模型通過模擬作物生理過程預測產量，如叢佳慧等[]將動態(tài)時間規(guī)整算法（DTW）與DSSAT模型結合，實現提前30～43d預測玉米產量;鄭昌玲等[12基于WOFOST模型預測冬小麥產量；Rugimbana[13]通過AquaCrop模型預測旱作玉米產量。此類模型雖能解析產量形成機制，但對參數質量要求較高，只適用于特定區(qū)域和作物；（3）機器學習模型憑借強大的非線性擬合能力在農業(yè)領域中被廣泛應用[14]，如Khaki等[15]開發(fā)了一種基于環(huán)境數據和管理措施的深度學習模型，該模型結合了卷積神經網絡（CNN）和循環(huán)神經網絡（RNN），能夠精確預測美國部分地區(qū)的玉米和大豆產量；于珍珍等[1利用遺傳算法（GA）優(yōu)化反向傳播神經網絡（BP），實現了對甘蔗產量的精確預測。

胡麻產量受品種遺傳特性、氣候條件、栽培管理及病蟲害等多因素協(xié)同影響，這些因素間的復雜交互作用使產量預測面臨巨大挑戰(zhàn)。本研究擬基于甘肅省胡麻主產區(qū)的氣象數據、遙感信息和歷史產量數據，構建卷積神經網絡（CNN）-雙向長短期記憶網絡（BiLSTM）-注意力機制（Attention）模型，以期為干旱區(qū)特色作物產量預測提供技術支持。

1材料與方法

1.1 研究區(qū)域

甘肅省地處中國西北部，屬典型旱作農業(yè)區(qū)，全省 70% 的耕地為旱地，農業(yè)生態(tài)環(huán)境脆弱，干旱災害頻發(fā)[17]。作為中國胡麻核心種植區(qū)，甘肅省地形復雜多樣，涵蓋山地、高原、平川、河谷及荒漠等多種地貌，地勢呈西南向東北傾斜。受地形影響，甘肅境內氣候類型自北向南依次為高原氣候、干旱氣候、半干旱氣候、半濕潤氣候和濕潤氣候[18]。氣候的空間異質性導致各地水熱資源差異顯著。本研究涉及區(qū)域為甘肅省的嘉峪關市、張掖市、金昌市、武威市、蘭州市、白銀市、臨夏回族自治州、定西市、慶陽市、平涼市、天水市、隴南市。

1.2 數據來源

本研究收集了2000-2020年研究區(qū)域內的多源數據，包括氣象數據、遙感數據及胡麻歷年產量數據等。

1.2.1氣象數據氣象數據來源于美國國家環(huán)境信息中心（https：//www.ncei.noaa.gov/）的氣候柵格數據集。基于氣象站點觀測數據，利用ArcGIS平臺進行空間插值，生成分辨率為 0.1°×0. 1° 的網格數據，并結合2020年甘肅省行政區(qū)劃提取研究區(qū)域的逐日氣象數據。數據集包含日最低氣溫、日最高氣溫、日平均氣溫、日照時數、降水量和相對濕度。

1.2.2遙感數據遙感數據來源于中分辨率成像光譜儀獲取的歸一化植被指數（NDVI，該數據來自Li等[19]發(fā)布的全球植被NDVI數據集。NDVI能夠表征作物生長狀況及生物量變化，具有較高的時空分辨率以及長期連續(xù)性，可用于分析胡麻的生長動態(tài)，識別關鍵物候期，以及評估氣候變化對胡麻生長的影響。

1.2.3產量數據2000-2020年甘肅省部分地區(qū)胡麻單產數據來源于《甘肅省農村統(tǒng)計年鑒》及政府信息公開平臺。

1.3 研究方法

1.3.1數據預處理產量數據：剔除產量數據缺失年份較多的地區(qū)，采用前后5年產量數據的平均值插補部分缺失值及異常值。氣象數據：基于研究區(qū)域提取逐日氣象數據，通過區(qū)域均值法計算月尺度指標，包括月平均最低氣溫、月平均最高氣溫、月平均氣溫、月累計降水量、月平均相對濕度和月累計日照時數。遙感數據：采用月尺度ND-W 數據，分別計算研究區(qū)內月平均NDVI和月累計NDW

研究時段為每年3-8月，對應胡麻播種至成熟期。最終構建 8×6 維特征矩陣（8個特征變量 ×6 個月）作為模型輸入，輸出變量為胡麻預測產量。

1.3.2數據歸一化由于本研究涉及數據量綱不一致，為避免其對模型性能產生影響，采用 Min-Max 歸一化方法將所有特征線性變換至[0，1]區(qū)間，保持原始數據分布不變。歸一化公式如下：

式中， x_i，j^* 為歸一化后的數據; x_i，j 為第 i 個樣本在第 j 個特征上的原始數值; x_j^min?x_j^max 分別為第 j 個特征在所有樣本中的最小值、最大值。

1.4 模型構建

1.4.1卷積神經網絡卷積神經網絡（CNN）是一種具有局部連接和權值共享特性的前饋神經網絡，在圖像處理、語音識別等領域表現優(yōu)異[20]。近年來，CNN及其組合模型在作物產量預測中展現出顯著優(yōu)勢。CNN網絡通常包含輸入層、卷積層、池化層、全連接層。其中卷積層通過卷積核提取局部特征；池化層通過聚合操作對特征進行降維，能夠有效抑制過擬合現象，提升模型的泛化能力；全連接層整合特征信息并輸出預測結果[21]。本研究采用一維卷積神經網絡（Conv1D）處理輸入數據，以捕獲胡麻產量與多維特征間的關系。

1.4.2雙向長短期記憶網絡長短期記憶網絡（LSTM）作為循環(huán)神經網絡（RNN）的改進版本，通過門控機制有效解決了傳統(tǒng)RNN的梯度消失和爆炸問題[22]。LSTM網絡結構如圖1所示，遺忘門控制歷史信息的丟棄程度，輸入門調節(jié)新信息的存儲量，輸出門決定當前狀態(tài)的輸出內容。該結構賦予LSTM更強的時序動態(tài)建模能力，可精準捕捉多維時間序列中的長期依賴關系。

遺忘 ?f_t 是一個位于0～1的數值，用于表示對_t-1 時刻臨時單元記憶狀態(tài) C_t-1 中信息的保留或者丟棄程度，其計算公式如下：

f_t=σ（W_t?[H_t-1，X_t]+b_t）

式中， f_t 為遺忘門的激活值； σ 為Sigmoid函數;W_f?b_f 分別為遺忘門的權重矩陣和偏置系數； H_t-1 為_t-1 時刻的輸出向量； X_t 為 Ψ_tΨ_t 時刻的輸人向量。

輸入門用于控制當前輸入 X_t 的信息量進入臨時單元狀態(tài) C_t ，其計算公式如下：

i_t=σ（W_i?[H_t-1，X_t]+b_i）

f_t ：遺忘門； σ：Sigmoid 函數： H_t-1：t-1 時刻的輸出； X_t：t 時刻的輸人。 時刻的候選記憶信息； tanh ：雙曲正切激活函數； C_t：t 時刻臨時單元記憶狀態(tài)； i_t ：第 χ_t 個時間計算得到的輸入門的激活值，控制當前輸入信息對記憶單元的更新程度。

圖1長短期記憶網絡（LSTM）模型結構

Fig.1 StructureoftheLongShort-Term Memory（LSTM） network model

式中， i_t 為輸入門的激活值，控制當前輸入信息對記憶單元的更新程度； W_i?b_i 分別為輸入門的權重矩陣與偏置項； 為 Φ_t 時刻的候選記憶信息； tanh 為雙曲正切激活函數； W_c?b_c 分別為候選記憶單元的權重矩陣與偏置系數； C_t 為 χ_t 時刻更新的記憶狀態(tài)。

輸出門決定模型的最終輸出，其計算過程如下：

H_t=O_t?tanh（C_t）

式中， O_t 為輸出門的激活值； W_o?b_o 分別為輸出門的權重矩陣與偏置系數； H_t 為 χ_t 時刻的輸出向量。

在LSTM基礎上，Graves等[23]通過引入后向特征計算，提出了雙向長短期記憶神經網絡（BiL-STM），BiLSTM由雙向LSTM層構成，能夠同時捕捉前向和后向的數據依賴關系，從而提高數據利用率，并增強對輸入序列全局特征的理解[24]

1.4.3注意力機制注意力機制是一種通過動態(tài)分配特征重要性權重來優(yōu)化模型性能的技術，最早由Bahdanau等[25]應用于神經機器翻譯領域。本研究采用 Hu 等[26]提出的擠壓和激勵注意力機制（Squeeze-and-excitation attention），其工作流程分為3個階段：第1階段為特征壓縮（Squeeze），通過全局平均池化將二維特征圖壓縮為通道描述符；第2階段為特征激勵（Excitation），利用2個全連接層構成的瓶頸結構，對通道間的非線性依賴關系進行建模，首層降維后經Sigmoid生成歸一化權重；第3階段為特征重標定，根據權重強化關鍵特征通道，抑制噪聲通道。該機制能有效緩解CNN在逐層特征變換中的信息衰減問題，提升模型對關鍵特征的鑒別能力。

1.4.4CNN-BiLSTM-Attention模型構建 分別設置卷積神經網絡（CNN）和雙向長短期記憶網絡（BiLSTM）的隱藏層數。例如， CNN₁-BiLSTM₁ -Attention模型采用1層CNN和1層BiLSTM。所有模型均采用相同的訓練參數，以確保試驗的公平性。采用均方根誤差（RMSE）、平均絕對誤差（ MAE ）、決定系數 個評價指標對CNN-BiLSTM-Attention模型性能進行分析， RMSE，MAE 和 R² 計算公式如下：

式中， 為真實產量的平均值; y_i?y_i^p 分別為第 i 個樣本的真實產量與模型的預測產量； N 為樣本總數。如表1所示，不同模型在胡麻產量預測中的表現存在差異，其中 CNN₂ -BiLSTM2-Attention模型預測性能最佳，RMSE（ 316.98kg/hm² ）和 MAE（ 234.43kg/hm² ）均低于其他模型，同時其決定系數（R²） ）達到0.83。本研究還測試了其他隱藏層數的模型，但均未能獲得更好的評價指標。隨著隱藏層數的增加，模型復雜度提升，反而導致預測精度下降，這可能是由于過擬合或信息冗余。試驗結果表明， CNN₂?BiLSTM₂ -Attention模型具有良好的穩(wěn)定性和預測能力，性能最優(yōu)。

為了在模型計算復雜度與預測精度之間實現最佳平衡，本研究確定了如圖2所示的模型架構。該模型采用2層一維卷積神經網絡（Conv1D）進行特征提取：第1層卷積核數量為32，第2層增至64，步長均設為1，并采用整流線性單元（ReLU）激活函數增強非線性表達能力。卷積層后依次連接批標準化層（Batch normalization layer）和丟棄層（DropOut lay-er），以提升模型泛化能力。在時序特征處理部分，采用雙層BiLSTM結構，每層隱藏單元數分別設置為64和32，以兼顧特征提取的深度和效率。BiLSTM模塊后同樣加入丟棄層防止過擬合。在BiLSTM層后引入注意力機制層，以自適應地聚焦關鍵特征。模型優(yōu)化采用Adam優(yōu)化器，初始學習率設為0.001，采用自適應調整策略，訓練周期為600次，批次大小設置為16。選用Huber損失函數作為模型優(yōu)化的目標函數。

表1不同隱藏層數的模型性能

Table1Performanceofmodelswithdifferentnumbersofhidden layers

CNN：卷積神經網絡；BiLSTM：雙向長短期記憶網絡；Attention：注意力機制。

2 結果與分析

試驗在TensorFlow框架（Python3.8）下實施，硬件平臺為NVIDIARTX4050顯卡，數據集按時間序列劃分為訓練集（2000-2017年）和測試集（2018-2020年）。

2.1 不同模型性能對比

將CNN-BiLSTM-Attention模型分別與隨機森林模型（Random forest，RF）、支持向量回歸模型（Sup-portvectorregression，SVR）、深度前饋神經網絡模型（DFNN）以及基于粒子群優(yōu)化的反向傳播神經網絡模型（PSO-BP）進行對比。對所有模型均采用相同的參數優(yōu)化方法——網格搜索。如表2所示，CNN-BiLSTM-Attention模型的均方根誤差最低，為316.98kg/hm² 。與RF、SVR 模型相比，CNN-BiL-STM-Attention模型的均方根誤差分別降低了38.7% 和 34.1% 。與DFNN、PSO-BP和CNN-LSTM-Attention模型相比，均方根誤差分別降低了 26.0% 、24.9% 和 9.6% 。CNN-BiLSTM-Attention 模型的決定系數最高，達到了0.83。

圖2卷積神經網絡（CNN）-雙向長短期記憶網絡（BiLSTM）-注意力機制（Attention）模型結構

CNN：卷積神經網絡;Conv1D：一維卷積神經網絡;BatchNormali-zation Layer：批量歸一化層;BiLSTM：雙向長短期記憶網絡;Drop-Out：丟棄層；Attention：注意力機制層；Dense：全連接層。

Fig.2 Structureof theConvolutional Neural Network（CNN）- Bidirectional LongShort-TermMemory（BiLSTM） -Attentionmechanismmodel

表2不同模型胡麻產量預測性能對比

Table2 Performance comparison of flaxyield prediction bydifferent models

RF：隨機森林模型；SVR：支持向量回歸模型；DFNN：深度前饋神經網絡模型;PSO-BP：基于粒子群優(yōu)化的反向傳播神經網絡模型;CNN：卷積神經網絡；BiLSTM：雙向長短期記憶網絡；LSTM：單向長短期記憶網絡；Attention：注意力機制。

深度學習模型的各項評價指標均顯著優(yōu)于傳統(tǒng)機器學習方法，這主要得益于深度學習模型具有更復雜的網絡結構和更強的特征學習能力，能夠更有效地捕捉數據間的非線性關系。具體而言，相較于CNN-LSTM-Attention 模型，CNN-BiL-STM-Attention模型通過采用雙向長短期記憶網絡（BiLSTM）替代單向長短期記憶網絡（LSTM），能夠同時捕捉序列數據的正向和反向依賴關系，從而更全面地理解胡麻生長特征數據中的長期時序依賴關系。此外，BiLSTM結構對數據異常值和缺失值具有更強的魯棒性，這進一步提升了模型的預測精度。雖然PSO算法可以優(yōu)化BP神經網絡的參數，但BP網絡本身的結構局限性限制了其在處理復雜非線性數據中的表現。相比之下，CNN-BiLSTM-Attention模型通過整合卷積神經網絡、雙向長短期記憶網絡和注意力機制等多個模塊，形成了更強大的特征提取和學習架構，從而在胡麻產量預測任務中取得了更好的效果。

圖3分別展示了6種模型在胡麻產量預測中的表現。RF模型和SVR模型的預測點顯著偏離 1：1 基準線，在低產地區(qū)，部分胡麻產量預測值高于實際產量，而在高產地區(qū)，部分胡麻產量預測值低于實際產量。表明傳統(tǒng)方法在處理非線性數據時存在缺陷。相比于傳統(tǒng)方法，DFNN、PSO-BP和CNN-LSTM-At-tention這3種深度學習模型的預測值貼近 1：1 參考線，在大多數樣本中表現出較好的擬合性能。與上述模型相比，本研究提出的CNN-BiLSTM-Attention在胡麻產量預測中表現出最佳的預測效果，預測點最緊密貼合 ?1：1 線，特別是在中產地區(qū)，預測的結果更加精準。

2.2 不同模塊性能對比

通過消融試驗驗證CNN-BiLSTM-Attention模型中卷積層（CNN）、雙向長短期記憶網絡（BiL-STM）和注意力層3個模塊的貢獻。如表3所示，在胡麻產量預測中，CNN模型或BiLSTM模型均方根誤差均高于CNN-BiLSTM模型，決定系數均低于CNN-BiLSTM模型。表明僅依靠CNN的空間特征提取能力難以有效捕捉產量形成的時序規(guī)律，雖然BiLSTM能構建時序動態(tài)表征模型，但其特征提取能力的局限性導致無法充分識別關鍵影響因素。值得注意的是，與基礎BiLSTM模型相比，BiLSTM-Attention模型性能顯著提升，表明注意力機制通過特征向量的精細化權重分配，有效緩解了長序列處理中的語義稀釋問題。采用卷積神經網絡（CNN）進行空間特征提取，采用雙向長短期記憶網絡（BiLSTM）構建時序動態(tài)表征模型，采用注意力機制進行特征加權，3個模塊的協(xié)同作用顯著提升了模型性能。

圖3不同模型胡麻產量預測精度對比

RF;隨機森林模型;SVR：支持向量回歸模型;DFNN：深度前饋神經網絡模型;PSO-BP：基于粒子群優(yōu)化的反向傳播神經網絡模型;CNN：卷積神經網絡;BiLSTM：雙向長短期記憶網絡;LSTM：單向長短期記憶網絡;Attention：注意力機制。RMSE：均方根誤差； MAE ：平均絕對誤差； R² ：決定系數。

Fig.3Comparisonofflaxyieldpredictionaccuracyamongdifferentmodel：

表3不同模塊性能對比Table3 Performancecomparisonof differentmodules

CNN：卷積神經網絡;BiLSTM：雙向長短期記憶網絡；Attention：注意力機制。

2.3 魯棒性分析

為全面評估CNN-BiLSTM-Attention模型的魯棒性，本研究采用滾動時間窗口驗證策略，選取2011-2020年作為測試期，逐年將當年數據作為獨立測試集（其余年份作為訓練集），共進行10次獨立試驗。該方法能有效檢驗模型對氣候年際波動的適應能力。如表4所示，CNN-BiLSITM-Attention模型的平均決定系數為0.836，平均均方根誤差為 302.09kg/hm² 。在2011年、2013年和2016年，干旱較為嚴重，降雨量不足，導致胡麻產量受到顯著影響。在這種情況下，CNN-BiLSTM-Attention模型的預測精度略低于其他正常年份。這可能是因為模型未能及時捕捉到產量的快速變化，從而影響了預測精度。2017-2020年，CNN-BiLSTM-Attention表現出較好的預測能力。這些特性表明，該模型能夠有效應對旱作農業(yè)區(qū)的氣候不確定性。

表4不同年份CNN-BiLSTM-Attention模型胡麻產量預測性能 Table4PerformanceoftheCNN-BiLSTM-Attentionmodelinflax yieldprediction duringdifferentyears

3 討論與結論

胡麻的生長和產量形成主要受基因、環(huán)境因素和基因與環(huán)境互作的影響，對于不同產區(qū)各自的主栽品種，環(huán)境因素是影響產量的最直接因素[27]。本研究提出了胡麻產量預測模型CNN-BiLSTM-Atten-tion，其中CNN模塊有效提取了氣象和NDVI數據的空間特征；BiLSTM模塊準確捕捉了產量形成的時序依賴關系；注意力機制能夠使模型動態(tài)聚焦于關鍵生長期的環(huán)境因子。3個模塊的協(xié)同作用使模型在年際氣候變化條件下保持了良好的穩(wěn)定性和較高的精確度。試驗結果表明，CNN-BiLSTM-Attention的預測精度（RMSE達到 316.98kg/hm² ， R² 達到0.83）顯著高于RF模型、SVR模型、DFNN模型、PSO-BP模型等傳統(tǒng)模型。該模型不僅能準確預測作物產量，還可通過特征重要性分析識別關鍵環(huán)境因子，為種植決策提供科學依據。

在未來研究中，可以從以下方面對模型進行進一步改進：融合多源遙感數據和土攘熵情信息增強特征表征能力、優(yōu)化模型結構以提升對極端氣候事件的響應能力、探索遷移學習方法以增強模型的區(qū)域適應性。本研究提出的技術框架可擴展應用于其他作物的產量預測，為智慧農業(yè)發(fā)展提供新的解決方案。

參考文獻：

[1]趙瑋，黨占海，李聞娟.強抗旱胡麻新品種隴亞11號組織培養(yǎng)技術優(yōu)化研究[J].中國沙漠，2012，32（5）：1355-1361.

[2]XIE D W，DAI Z G，YANG Z M，et al. Genomic variations andassociation study of agronomic traits in flax[J].BMC Genomics，2018，19：1-12.

[3]BOGACHEV AA，GAVRILOVA N A，KURDYUKOV E E，et al.Comparative study of component and fatty-acid composition of flaxseeds[J].Food Chemistry，2020，310：125934.

[4]ZIETKIEWICZ E，RAFALSKI A，LABUDA D. Genome finger-printing by simple sequence repeat（SSR）-anchored polymerasechain reaction amplification[J].Genomics，1994，20（2）： 176-183.

［5］張雯麗.中國特色油料產業(yè)高質量發(fā)展思路與對策[J].中國油料作物學報，2020，42（2）：167-174.

[6]崔紅艷，方子森，牛俊義.胡麻栽培技術的研究進展[J].中國農學通報，2014，30（18）：8-13.

[7］楊麗.壟膜溝播壟溝寬對胡麻水分利用效率和產量的影響[J].灌溉排水學報，2019，38（10）：17-25.

[8］李小燕，張雷，牛芬菊，等.旱地組合型微壟全膜不同覆蓋時期對土壤水分及胡麻生長的影響[J].干旱地區(qū)農業(yè)研究，2015，33（2） ：16-21.

[9]JEONG JH，RESOP JP，MUELLER N D，et al. Random forestsforglobal and regional crop yieldpredictions[J].PLoS One，2016，11（6） ：e0156571.

[10]嚴海軍，卓越，李茂娜，等.基于機器學習和無人機多光譜遙感的苜蓿產量預測[J].農業(yè)工程學報，2022，38（11）：64-71.

[11］叢佳慧，田興帥，趙向陽，等.基于DSSAT模型和天氣預報策略預測農戶當季玉米產量[J].玉米科學，2022，30（4）：62-72.

[12］鄭昌玲，張蕾，侯英雨，等.基于WOFOST模型的冬小麥產量動態(tài)預報方法[J].干旱地區(qū)農業(yè)研究，2022，40（6）：242-250，267.

[13]RUGIMBANA C. Predicting maize （Zea mays）yields in easternprovince of Rwanda using aquacrop model[D]. Nairobi： Universityof Nairobi，2019.

[14]SARKER I H. Deep learning：a comprehensive overview on tech-niques，taxonomy，applications and research directions[J].SNcomputer science，2021，2（6） ：1-20.

[15]KHAKI S，WANG L Z，ARCHONTOULIS S V. A CNN-RNNframework forcrop yield prediction[J].Frontiers inPlant Science，2020，10：1750.

[16］于珍珍，鄒華芬，于德水，等.融合田間水熱因子的甘蔗產量GA-BP預測模型[J].農業(yè)機械學報，2022，53（10）：277-283.

[17］崔小茹，陳其鮮.甘肅省胡麻生產現狀及發(fā)展思路[J].甘肅農業(yè)，2014（11） ：3-4.

[18］欒振斌，寧和平，姚瑞，等.1965—2015 年甘肅省干旱時空分布特征分析[J].現代農業(yè)科技，2022（13）：124-129.

[19]LIMY，CAO S，ZHU ZC，et al.Spatiotemporally consistentglobal dataset of the GIMMS Normalized Diference Vegetation In-dex（PKU GIMMSNDVI）from 1982 to 2022[J]. Earth SystemScience Data，2023，15（9）：4181-4203.

[20］郝洪濤，王凱，張炳建，等.多尺度特征自適應融合的氣動控制閥故障診斷[J].儀器儀表學報，2023，44（10）：167-178.

[21］李笛，楊東，王文慶，等.基于CNN-LSTM-Attention的工業(yè)控制系統(tǒng)網絡入侵檢測方法研究[J].熱力發(fā)電，2024，53（5）：115-121.

[22]蘭小機，賀永蘭，武帥文.基于RF-BiLSTM模型的河流水質預測[J].長江科學院院報，2024，41（7）：57-63，71.

[23]GRAVESA，SCHMIDHUBERJ.Framewise phoneme classifica-tionwithbidirectionalLSTMandotherneural networkarchitectures[J].Neural Networks，2005，18（5/6）：602-610.

[24]雷冰冰，韓，石佳圓，等.基于CRITIC和多策略禿鷹優(yōu)化BiLSTM的水質預測研究[J].安全與環(huán)境學報，2024，24（9）：3688-3702.

[25]BAHDANAU D，CHO K，BENGIO Y.Neural machine translationbyjointlylearningto alignandtranslate[J/OL].arXiv，2014.[2024-10-03].https：//doi.org/10.48550/arXiv.1409.0473.DOI：10.48550/arXiv.1409.0473.

[26]HUJ，SHENL，SUNG.Squeeze-and-excitation networks[C]//IEEE，CVF.Proceedingsof the IEEE Conference on Computer Vi-sion and Pattern Recognition（CVPR）.Salt Lake City：IEEE，2018.

[27］吳瑞香，楊建春.主要氣象因子與胡麻產量性狀的相關性分析[J].耕作與栽培，2023，43（6）：6-10.

（責任編輯：成紓寒）