1、糧食產(chǎn)量預(yù)測(cè)國(guó)內(nèi)外文獻(xiàn)綜述“為政之要，首在足食“。糧食安全始終是關(guān)系我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展、社會(huì)和諧穩(wěn)定和國(guó)家安全自立的全局性重大戰(zhàn)略問(wèn)題。這是由于糧食不僅是關(guān)系到國(guó)計(jì)民生和國(guó)家安全的重要戰(zhàn)略物資，也是人民群眾最基本的生活資料。從當(dāng)前糧食的供給來(lái)看，我國(guó)基本解決溫飽問(wèn)題，正在全面建設(shè)小康社會(huì)，糧食單產(chǎn)穩(wěn)步提高，糧食生產(chǎn)獲得十年連續(xù)增長(zhǎng)。從糧食需求來(lái)看，我國(guó)正在大力推進(jìn)新型工業(yè)化、信息化、城鎮(zhèn)化和農(nóng)業(yè)現(xiàn)代化道路（簡(jiǎn)稱“四化”），人口規(guī)模和居民膳食結(jié)構(gòu)的變化，以及全球氣候變化和資源環(huán)境約束導(dǎo)致給糧食安全帶來(lái)了新的矛盾與挑戰(zhàn)。據(jù)國(guó)家統(tǒng)計(jì)局發(fā)布的公告，2013年我國(guó)糧食產(chǎn)量達(dá)到60193.5萬(wàn)噸，連續(xù)7年穩(wěn)

2、定在5億噸以上水平。但是，隨著我國(guó)人口的繼續(xù)增長(zhǎng)、城鄉(xiāng)居民膳食結(jié)構(gòu)的不斷升級(jí)及工業(yè)化、城鎮(zhèn)化的快速推進(jìn)，糧食消費(fèi)需求增長(zhǎng)的速度快于糧食供給增長(zhǎng)的速度，供需缺口不斷擴(kuò)大。2012年我國(guó)糧食凈進(jìn)口規(guī)模達(dá)到7718萬(wàn)噸，糧食年度自給率己降至88.4%,其中大豆自給率僅18.1%。新形勢(shì)下，我國(guó)糧食安全面臨糧食需求不斷增長(zhǎng)和水、土地及勞動(dòng)力資源消耗不斷加快的雙重挑戰(zhàn)，確保我國(guó)中長(zhǎng)期糧食安全及主要農(nóng)產(chǎn)品有效供給難度加大。糧食生產(chǎn)受到多重因素的制約，未來(lái)產(chǎn)量如何變動(dòng)，是否能夠保障國(guó)家糧食安全是一個(gè)十分現(xiàn)實(shí)而且緊迫的問(wèn)題。因此，如何有效的分析和預(yù)測(cè)我國(guó)糧食生產(chǎn)能力，對(duì)加強(qiáng)糧食宏觀調(diào)控、促進(jìn)政策調(diào)整和保障糧食

3、安全具有十分重大的意義。目前國(guó)內(nèi)外學(xué)者圍繞著糧食安全、糧食生產(chǎn)、糧食消費(fèi)與貧困等問(wèn)題展開(kāi)了深入而廣泛的研究。我國(guó)學(xué)者對(duì)糧食產(chǎn)量的預(yù)測(cè)模型總體上來(lái)說(shuō)大致可以分為三大類(lèi)：時(shí)間序列模型、回歸模型和人，神經(jīng)網(wǎng)絡(luò)模型。指數(shù)平滑模型、灰色預(yù)測(cè)模型及基于馬爾可夫鏈的預(yù)測(cè)模型等都屬時(shí)間序列模型。回歸模型中使用比較多的就是線性回歸模型和雙對(duì)數(shù)模型。人工神經(jīng)網(wǎng)絡(luò)模型是近幾年才開(kāi)始使用的基于生物學(xué)原理的預(yù)測(cè)系統(tǒng)。這些方法的優(yōu)缺點(diǎn)分析如下：（一）指數(shù)平滑模型指數(shù)平滑模型的原理和計(jì)算方法比較簡(jiǎn)單，對(duì)歷史數(shù)據(jù)的數(shù)量沒(méi)有太大的要求。遲靈芝（2004）曾運(yùn)用單指數(shù)平滑方法首先對(duì)我國(guó)19914999年的糧食產(chǎn)量進(jìn)行擬合，計(jì)算出

4、平均相對(duì)誤差為0104%,效果還是比較理想的。但是模型中對(duì)平滑系數(shù)的確定直接關(guān)系到模型的精度問(wèn)題，所以不同的平滑系數(shù)就可能造成結(jié)果的差異。目前為止沒(méi)有一個(gè)固定的方法來(lái)確定平滑系數(shù)。在一般的研究中大多是根據(jù)經(jīng)驗(yàn)來(lái)選擇平滑系數(shù)，這就導(dǎo)致了預(yù)測(cè)結(jié)果的失真性。林紹森等（2007）對(duì)三種預(yù)測(cè)模型的分析的結(jié)果證明了指數(shù)平滑法的預(yù)測(cè)誤差最大。此外，由于模型本身在計(jì)算方法上的局限性，該方法只適用于近、短期預(yù)測(cè)?；疑A(yù)測(cè)模型也是比較常用的糧食產(chǎn)量預(yù)測(cè)模型。遲靈芝（2002）對(duì)灰色預(yù)測(cè)方法和回歸模型進(jìn)行比較分析，得出灰色預(yù)測(cè)的平均相對(duì)誤差最小的結(jié)論。林紹森等（2007）對(duì)單指數(shù)平滑、自回歸移動(dòng)平均和灰色預(yù)測(cè)三種模

5、型進(jìn)行了比較，他指出灰色預(yù)測(cè)模型比自回歸預(yù)測(cè)模型和單指數(shù)平滑預(yù)測(cè)模型更適合長(zhǎng)期的預(yù)測(cè)。線性（或非線性）回歸模型的一個(gè)優(yōu)點(diǎn)是可對(duì)變量之間進(jìn)行因果分析，描述其內(nèi)在的聯(lián)系。很多學(xué)者利用這一方法建立了糧食產(chǎn)量模型，找到了影響糧食產(chǎn)量的主要因素。如李子奈（2000）的線性回歸函數(shù)、石森昌等（2003）的雙對(duì)數(shù)生產(chǎn)函數(shù)、李云松等（2002）、肖海峰等（2004）、程杰等（2007）的柯布道格拉斯生產(chǎn)函數(shù)等等。雖然他們選取的變量都不盡相同，但是都證明了回歸模型對(duì)糧食產(chǎn)量的擬合效果很好。但是回歸方法受到解釋變量的約束，一般也只用在近、短期預(yù)測(cè)中。（二）神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型是一種建立在生物學(xué)神經(jīng)元基礎(chǔ)上的一

6、個(gè)不需要建立解釋變量與被解釋變量之間具體關(guān)系的數(shù)學(xué)模型。它可以通過(guò)隱含層的學(xué)習(xí)和訓(xùn)練實(shí)現(xiàn)輸入元素與輸出元素之間的非線性映射。該模型的模擬效果可以在王啟平（2002）、禹建麗等Q004）的文章中看到。但是目前我國(guó)尚無(wú)比較完善和成熟的理論指導(dǎo)網(wǎng)絡(luò)模型，在神經(jīng)網(wǎng)絡(luò)的程序設(shè)計(jì)中對(duì)隱含層單元數(shù)及目標(biāo)參數(shù)的設(shè)置都只能憑經(jīng)驗(yàn)或者是經(jīng)過(guò)反復(fù)的訓(xùn)練和測(cè)試才能確定。總之，每個(gè)模型都有其優(yōu)點(diǎn)和不足之處。對(duì)于數(shù)據(jù)比較少的短期預(yù)測(cè)問(wèn)題，應(yīng)用簡(jiǎn)單的指數(shù)進(jìn)行平滑。對(duì)于結(jié)構(gòu)復(fù)雜、影響因素眾多的中長(zhǎng)期問(wèn)題一般用灰色預(yù)測(cè)模型?；貧w模型一般用來(lái)做因素分析，而且預(yù)測(cè)期較短。此外，我國(guó)學(xué)者對(duì)糧食產(chǎn)量方面的研究絕大多數(shù)還是基于單一的模型

7、。單一模型預(yù)測(cè)的缺點(diǎn)就是對(duì)預(yù)測(cè)對(duì)象的分析具有一定的局限性。即通過(guò)對(duì)被預(yù)測(cè)對(duì)象所處的環(huán)境，結(jié)合自身模型的特點(diǎn)做出某些假設(shè)。所以在各因素的選取及模型的設(shè)計(jì)等方面都是不完善的。而組合預(yù)測(cè)模型就能利用更多的信息，使單一模型之間優(yōu)勢(shì)互補(bǔ)，提高了模型的精度。（三）組合預(yù)測(cè)模型所謂組合預(yù)測(cè)，是指采用兩種或兩種以上的方法對(duì)同一對(duì)象進(jìn)行預(yù)測(cè)，并對(duì)各單個(gè)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)綜合。根據(jù)組合定理，即使一個(gè)預(yù)測(cè)結(jié)果不理想的方法，如果它含有系統(tǒng)的獨(dú)立信息，當(dāng)與另一個(gè)較好的預(yù)測(cè)方法進(jìn)行組合后，同樣可以增加系統(tǒng)的預(yù)測(cè)性能。因此，組合預(yù)測(cè)能夠更大化地利用有用信息，比單一預(yù)測(cè)方法更為科學(xué)、有效，并能提高模型的模擬精度。fl1969年

8、Bates與Granger首先提出組合預(yù)測(cè)以來(lái)，對(duì)組合預(yù)測(cè)理論及應(yīng)用的研究先后在國(guó)內(nèi)外逐漸開(kāi)展起來(lái)。但是近幾年我國(guó)學(xué)者才將這一方法應(yīng)用到糧食預(yù)測(cè)領(lǐng)域。理論和實(shí)踐研究都表明，在諸種電項(xiàng)預(yù)測(cè)模型各異且數(shù)據(jù)來(lái)源不同的情況下，組合預(yù)測(cè)模型可能獲得一個(gè)比任何一個(gè)獨(dú)立預(yù)測(cè)值更好的預(yù)測(cè)值，組合預(yù)測(cè)模型能減少預(yù)測(cè)的系統(tǒng)誤差，顯著改進(jìn)預(yù)測(cè)效果。肖彰仁(1999)、張海云等(2002)、吳春霞等(2002)、丁晨芳(2007)在預(yù)測(cè)糧食產(chǎn)量時(shí)都運(yùn)用了組合模擬分析方法，只不過(guò)在組合中所嵌入的模型不同，但是卻得出同樣的結(jié)論，即組合預(yù)測(cè)模型的預(yù)測(cè)精度比單一模型要高。組合預(yù)測(cè)法的基本思路是，運(yùn)用兩種或兩種以上的預(yù)測(cè)方法對(duì)

9、同一預(yù)測(cè)項(xiàng)目進(jìn)行預(yù)測(cè)，再根據(jù)各個(gè)方法的權(quán)重將所得結(jié)果綜合成一個(gè)預(yù)測(cè)結(jié)果。假設(shè)對(duì)同一問(wèn)題有N種預(yù)測(cè)方法，通過(guò)計(jì)算分析，確定方法j的權(quán)重為Wj(j=l,2,3,N),則組合預(yù)測(cè)理論模型為：Y=W1Yti-FW2Yt24-+WNYtN,且X#=1.廣叫罟=遇其中，工強(qiáng)Dj其中，Yq表示在t時(shí)間第j種方法的預(yù)測(cè)值：$表示在t時(shí)間組合預(yù)測(cè)的預(yù)測(cè)值。在組合預(yù)測(cè)中，合理的權(quán)重會(huì)大大提高預(yù)測(cè)精度。因此，如何選擇權(quán)重就成為決定該模型擬合效果的關(guān)鍵。根據(jù)以往的研究，權(quán)重選擇方法有算術(shù)平均法、標(biāo)準(zhǔn)差法、方差倒數(shù)法、均方倒數(shù)法、離異系數(shù)法、AHP法、德?tīng)柗品?、最?yōu)加權(quán)法等。其中，使用比較廣泛、誤差較小且操作方便的就是

10、方差倒數(shù)法。其原理為：對(duì)誤差平方和小的模型賦予較高的權(quán)重,誤差平方和大的賦予較小的權(quán)重。其應(yīng)用公式如下：=1(j=12,N)上式中，烏為第j個(gè)模型的誤差平方和，即烏=£、1(匕_%)2(四)灰色預(yù)測(cè)模型GM(1,1)(五)HP濾波分析方法HP濾波分析方法是分析時(shí)間序列中的長(zhǎng)期趨勢(shì)和波動(dòng)成分的方法。它是在Hodrick和Prescott于1980年分析戰(zhàn)后美國(guó)經(jīng)濟(jì)周期的論文中首次使用的。這種方法可以測(cè)算出經(jīng)濟(jì)發(fā)展的周期趨勢(shì)(產(chǎn)出缺口，即實(shí)際產(chǎn)出與潛在產(chǎn)出之差,它是指現(xiàn)有條件下實(shí)際產(chǎn)出離最大的潛在產(chǎn)出的差距)和無(wú)周期趨勢(shì)的內(nèi)在趨勢(shì)(即潛在產(chǎn)出，它是指社會(huì)經(jīng)濟(jì)活動(dòng)在沒(méi)有勞動(dòng)力失業(yè)、在現(xiàn)有資

11、源和技術(shù)水平下，最大的產(chǎn)出水平)。農(nóng)產(chǎn)品產(chǎn)量的預(yù)測(cè)是十分重要的，這是因?yàn)樗梢愿倪M(jìn)作物管理和調(diào)控市場(chǎng),更進(jìn)一步而言，如果產(chǎn)量可以精準(zhǔn)的預(yù)測(cè)出來(lái)，那么農(nóng)業(yè)投入如化肥、水和農(nóng)藥等田間操作可以根據(jù)作物的實(shí)際需求進(jìn)行有效提供。農(nóng)產(chǎn)品產(chǎn)量的難以預(yù)測(cè)性和產(chǎn)量的變化性特點(diǎn)給政策調(diào)整帶來(lái)困難，它也容易導(dǎo)致精準(zhǔn)農(nóng)業(yè)的決策支持系統(tǒng)難以湊效。在農(nóng)作物產(chǎn)量的預(yù)測(cè)方面，最初的預(yù)測(cè)方法主要采用相關(guān)和多元線性回歸方法(multiplelinearregiession,MLR),這一方法需要考慮影響農(nóng)作物產(chǎn)量的重要因素(KravchenkoandBullock«2000：Parketal.2005：Huangeta

12、l.3010)。但是采用上述方法對(duì)農(nóng)作物產(chǎn)量的預(yù)測(cè)效果不是很明顯，其原因是由于該模型沒(méi)有考慮多項(xiàng)式和內(nèi)生項(xiàng)的存在。在線性模型分析中，描述糧食產(chǎn)量和影響變量之間的線性關(guān)系方面是受到限制的，而且當(dāng)這些關(guān)系不是線性關(guān)系時(shí)預(yù)測(cè)結(jié)果就可能會(huì)造成誤導(dǎo)。另外一種預(yù)測(cè)農(nóng)作物如糧食產(chǎn)量的方法是綜合運(yùn)用多變量技術(shù)進(jìn)行多步回歸(JiangandTlielen,2004；Fortinetal.,2010),比如主成分分析方法(principalcomponentanalysis*PCA)和因子分析方法(factoranalysis,FA)。上述方法試圖最小化內(nèi)生變量導(dǎo)致的問(wèn)題，使復(fù)雜關(guān)系之間的解釋變得容易，并力圖減少

13、數(shù)據(jù)維度或者從大量數(shù)據(jù)中篩選出一套合適的變量。之后，對(duì)農(nóng)作物的預(yù)測(cè)方法逐漸采用人工智能方法和計(jì)算機(jī)技術(shù)進(jìn)行分析。人匚神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetworks»ANNs),作為一個(gè)非線性的統(tǒng)計(jì)技術(shù)，也被用于分析和調(diào)查農(nóng)作物的產(chǎn)量當(dāng)中。其中，ANN分析已經(jīng)用于精準(zhǔn)農(nóng)業(yè)的空間分析和農(nóng)作物田間管理(Kitchenetal.,2003)。這一方法，比較適于分析由于投入和產(chǎn)出相關(guān)的變量調(diào)整導(dǎo)致的問(wèn)題，可以認(rèn)為是一種非線性的分析工具，人工神經(jīng)網(wǎng)絡(luò)可以和其他人工智能技術(shù)或者統(tǒng)計(jì)分析方法相結(jié)合，可以避免人工智能需要大量訓(xùn)練數(shù)據(jù)的缺點(diǎn)。Papageorgiouet.al(2013)利用

14、模糊認(rèn)知圖方法(FuzzyCognitiveMaps,FCMs)預(yù)測(cè)了希臘的蘋(píng)果產(chǎn)量，F(xiàn)CMs是一個(gè)分析因果認(rèn)知關(guān)系并方便建模和模擬動(dòng)態(tài)系統(tǒng)的理想工具，其利用一個(gè)概念模型可以分析和描述人類(lèi)對(duì)既定體系的認(rèn)知。并不局限于準(zhǔn)確的價(jià)值標(biāo)準(zhǔn)和評(píng)價(jià)方法。這一模型的優(yōu)點(diǎn)包括，簡(jiǎn)單、適應(yīng)性強(qiáng)和能夠接近抽象的結(jié)構(gòu)，因其有助于解決夏雜的問(wèn)題能適用于不同的情景而獲得廣泛應(yīng)用。該方法還具有動(dòng)態(tài)的特點(diǎn)和學(xué)習(xí)能力，可用于農(nóng)作物的產(chǎn)量預(yù)測(cè)和農(nóng)作物管理。小麥作為歐洲國(guó)家十分重要的農(nóng)作物，20022012年間平均年產(chǎn)小麥1.26億噸，在維持歐洲國(guó)家的糧食安全方面發(fā)揮了十分重要的作用。Kowaliket.al(2014)利用19

15、99-2009年間標(biāo)準(zhǔn)站點(diǎn)不同植被的標(biāo)準(zhǔn)化指數(shù)統(tǒng)計(jì)數(shù)據(jù)和1km空間范圍內(nèi)的冬季活動(dòng)雷達(dá)預(yù)測(cè)了歐洲國(guó)家小麥的產(chǎn)量:，其所使用的站點(diǎn)植被產(chǎn)品利用官方小麥產(chǎn)量數(shù)據(jù)對(duì)模型做了微調(diào)，基于最小二乘回歸方法(PaitialLeastSquaresRegiession,PLSR)做了分析。這一預(yù)測(cè)方法將分析模型分為兩種形式，一種是允許最終生產(chǎn)季節(jié)進(jìn)行產(chǎn)量評(píng)估的“監(jiān)測(cè)模型*另一種是對(duì)隨著生產(chǎn)季節(jié)進(jìn)行而做的早期和定期評(píng)估的“預(yù)測(cè)模式”。預(yù)測(cè)方法是基于-NDVI和FAPAR模型并將兩者之間的估計(jì)結(jié)果做了對(duì)比，從結(jié)果來(lái)看，后者比前者稍微有些優(yōu)勢(shì)。從對(duì)不同國(guó)家的預(yù)測(cè)結(jié)果來(lái)看，中歐的波蘭、德國(guó)東北部和英國(guó)等國(guó)家和地區(qū)的預(yù)

16、測(cè)結(jié)果相對(duì)較好，而瑞典、芬蘭、愛(ài)爾蘭和葡萄牙等國(guó)家的預(yù)測(cè)結(jié)果相對(duì)較差，與官方統(tǒng)計(jì)結(jié)果之間差距較大；兩種預(yù)測(cè)方法對(duì)葡萄牙、西班牙和芬蘭等國(guó)家小麥產(chǎn)量的估計(jì)誤差最大，這種不一致可能表明這些國(guó)家的官方統(tǒng)計(jì)數(shù)據(jù)不可靠。由于全球人數(shù)增多和氣候變化等因素對(duì)全球農(nóng)作物生產(chǎn)帶來(lái)的不利影響，糧食安全一直是許多國(guó)家關(guān)注的頭等問(wèn)題。烏克蘭是世界上最發(fā)達(dá)的農(nóng)業(yè)國(guó)家和最大的糧食生產(chǎn)國(guó)之一，根據(jù)美國(guó)農(nóng)業(yè)部2011年的統(tǒng)計(jì)數(shù)據(jù)，烏克蘭是世界上笫八大糧食出口國(guó)和第十大小麥生產(chǎn)國(guó),及時(shí)和準(zhǔn)確的產(chǎn)量預(yù)測(cè)可以為決策者提供重要信息并應(yīng)于維護(hù)地區(qū)糧食安全。鑒于此，Koganet.al(2013)利用衛(wèi)星數(shù)據(jù)對(duì)烏克蘭省際水平的冬小麥產(chǎn)量

17、做了預(yù)測(cè)，該文獻(xiàn)利用NDVI值法(NonnalizedDifferenceVegetationIndex)預(yù)測(cè)了離收獲還有23個(gè)月之后的小麥產(chǎn)量，為檢驗(yàn)預(yù)測(cè)的準(zhǔn)確性，該研究將該方法與基于氣象觀測(cè)數(shù)據(jù)的實(shí)證模型、WOFOST作物生長(zhǎng)模型)等做了對(duì)比。糧食安全對(duì)中國(guó)的戰(zhàn)略意義，不僅體現(xiàn)在為滿足國(guó)內(nèi)居民消費(fèi)需求和社會(huì)發(fā)展持續(xù)提供支持，也體現(xiàn)在其對(duì)世界糧食安全的重要影響上。目前，中國(guó)糧食安全面臨資源約束、復(fù)雜的結(jié)構(gòu)調(diào)整和滯后的制度供給三個(gè)方面的嚴(yán)重制約(Zhai,2013)o小麥?zhǔn)鞘澜缟蠟槿祟?lèi)提供營(yíng)養(yǎng)的最重要谷類(lèi)之一，在世界各國(guó)有大范圍的種植，其是食物的主要可更新資源，也是飼料和工業(yè)原料的重要來(lái)源。小

18、麥的產(chǎn)量是一個(gè)取決于基因控制并受多種因素影響的復(fù)雜問(wèn)題，Romeroet.al(2013)基于計(jì)算機(jī)分類(lèi)算法預(yù)測(cè)了布宜諾斯艾利斯的小麥產(chǎn)量。其所采用的算法包括：(1)One-R(OneRule),是一個(gè)簡(jiǎn)單卻精確的，可以產(chǎn)生一級(jí)決策樹(shù)的分類(lèi)算法：(2)J48算法，是一個(gè)基于決策樹(shù)的算法，這個(gè)算法的特點(diǎn)是當(dāng)決策樹(shù)建立時(shí)，那些具有較弱預(yù)測(cè)能力的分支將被剪除；(3)IBK算法，這是一種基于實(shí)體計(jì)算機(jī)算法，它僅存于提供的數(shù)據(jù)當(dāng)中，如果在一個(gè)新的實(shí)體被發(fā)現(xiàn)，一套相似的相關(guān)實(shí)體將從存儲(chǔ)記憶中恢復(fù)并被用于咨詢實(shí)體的分類(lèi)；(4)Apriori(先驗(yàn)算法)，是一個(gè)用于發(fā)現(xiàn)數(shù)據(jù)中相關(guān)規(guī)則的算法，廣泛應(yīng)用于在大數(shù)據(jù)

19、中發(fā)現(xiàn)相似變量，這WOFOST(WorldFoodStudies)模型是荷蘭瓦根寧農(nóng)業(yè)大學(xué)和世界糧食研究中心共同開(kāi)發(fā)研制的,是模擬特定的十塔和氣候條件下一年生作物生長(zhǎng)的動(dòng)態(tài)的、解樣性模型.WOFO打模型已經(jīng)在歐洲、非洲以及亞洲的一些地區(qū)得到了運(yùn)用和聆證,可用于水稻、K米、小麥辨多種一力1作物的模擬。WOFOST模型可用來(lái)分析作物產(chǎn)量風(fēng)險(xiǎn),不同年份產(chǎn)量的變化,土壤類(lèi)型及氣候變化對(duì)產(chǎn)量變化的影響：確定播種策略以及農(nóng)業(yè)機(jī)械使用的關(guān)鍵時(shí)期：該模型還可用于估計(jì)某種作物最大潛在產(chǎn)量,提高灌溉和施肥的增產(chǎn)效益，對(duì)生長(zhǎng)在不利條件以及地區(qū)的作物產(chǎn)量進(jìn)行預(yù)測(cè)等,該模型對(duì)可持續(xù)農(nóng)業(yè)的發(fā)展具有積極的指導(dǎo)作用。個(gè)算法是

20、基于已有經(jīng)驗(yàn)或者一個(gè)給定的項(xiàng)目集。為預(yù)防將來(lái)可能出現(xiàn)的食物短缺，最直接的理解就是對(duì)未來(lái)糧食產(chǎn)量及分布進(jìn)行預(yù)測(cè)。已有研究都暗含的一個(gè)基本假設(shè)是糧食產(chǎn)量隨著時(shí)間變化遵循著一種既定的增長(zhǎng)趨勢(shì)，但是這種假設(shè)卻沒(méi)有被很好的證實(shí)。SashaHafiier(2003)提出了一個(gè)分析玉米、稻米和小麥的兩個(gè)時(shí)間序列模型匕利用糧農(nóng)組織19612001年間的數(shù)據(jù)研究了188個(gè)國(guó)家的糧食產(chǎn)量變化趨勢(shì)，評(píng)估了全球范圍內(nèi)不同糧食變化趨勢(shì)的相對(duì)重要程度，并分析了何種因素最終導(dǎo)致了一些國(guó)家糧食產(chǎn)量的下降。研究結(jié)果表明，隨著時(shí)間的變化糧食產(chǎn)量的線性增長(zhǎng)是一個(gè)普遍的趨勢(shì)，超過(guò)一半的國(guó)家農(nóng)作物生長(zhǎng)數(shù)據(jù)支持這一現(xiàn)象，有六分之一的數(shù)據(jù)

21、表明一些國(guó)家的糧食產(chǎn)量增長(zhǎng)速度有所放緩，這些國(guó)家對(duì)全球糧食增長(zhǎng)的貢獻(xiàn)低于10%。在過(guò)去五十多年，全球糧食產(chǎn)量獲得了大量增長(zhǎng)，這主要?dú)w因于對(duì)土地的強(qiáng)化利用和新技術(shù)的應(yīng)用推廣，與此同時(shí)，糧食需求也隨之相應(yīng)大度增加。為研究全球生物物理和土地管理的相關(guān)數(shù)據(jù)到底能多大程度上解釋全球糧食生產(chǎn)的地區(qū)差異，Neumaimet.al(2010)結(jié)合計(jì)量經(jīng)濟(jì)學(xué)方法與空間分析探討了全球最大可得產(chǎn)量、產(chǎn)量地區(qū)差異和小麥，玉米和水稻的生產(chǎn)效率。研究發(fā)現(xiàn)，在一些地區(qū)的實(shí)際產(chǎn)量已經(jīng)接近其最大可能的產(chǎn)量，而其他地區(qū)還有很大增產(chǎn)潛力。導(dǎo)致糧食產(chǎn)量出現(xiàn)較大差異的因素與灌溉、土地可得性、市場(chǎng)沖擊、農(nóng)業(yè)勞動(dòng)力等因素顯著相關(guān)，這些因素

22、對(duì)糧食生產(chǎn)效率的解釋力因地區(qū)的不同而有明顯變化。一、隨機(jī)前沿生產(chǎn)函數(shù)(Thestochasticfrontierproductionfunction)J=/?iXi+vt-ut其中，雁為產(chǎn)量的對(duì)數(shù)，%是dxk)是畝產(chǎn)量投入的對(duì)數(shù)，0是(ixk)需要估計(jì)的變量，%是均值為0的隨機(jī)誤差項(xiàng)，非負(fù)變量為代表生產(chǎn)的無(wú)效效應(yīng)且獨(dú)立于/。測(cè)量效率最常用的比率是用觀察的產(chǎn)出除以相應(yīng)的邊界產(chǎn)出，也即：E-2-exp。/+%一3)/,_exDf_u)匕一exp(x；/?+vJ-/exp®/?+q)一"p(必)旦為地塊的產(chǎn)出效率，表示可觀察的第i塊地的產(chǎn)出,x；0為前沿產(chǎn)出。該文獻(xiàn)采用的兩個(gè)基本

23、模:型為：yield=pbiyear+ai：yield=p“year*B”yeM+s根據(jù)影響糧食產(chǎn)量的自變量，模型可以寫(xiě)為：ln(q()=Bo+Biln(temp()+p2In(pred-)+ln(parj+n(sM_consti)+vtutd為實(shí)際產(chǎn)出，影響糧食產(chǎn)量最重要的因素是pa(photosyntheticallyactiveradiation)光合成有效輻射和溫度，溫度和產(chǎn)量之間的關(guān)系并不是線性的。其中，可以定義為如下方程：ut=8,+62(<slopei)+Sagr_pop+(access,)+5g(market,)表1模型變量與定義變量定義Frontierproductio

24、nfunctionTemp特定生長(zhǎng)階段的月度平均值Precip特定生產(chǎn)階段的降水之和Par特定生產(chǎn)階段的光合成有效輻射Siol_const土壤肥力(有序變量)InefficiencyfunctionImg灌溉的作物種類(lèi)每月最大的生長(zhǎng)范圍Slop斜率Agr_pop非城市人口密度和城市農(nóng)業(yè)種植面積Access市場(chǎng)可得性Market市場(chǎng)影響資料來(lái)源：Neumannetal(2010),TheyieldgapofglobalgrainproductionAspatialanalysisJTheyieldgapofglobalgrainproductionAspatialanalysis,Agncult

25、uralSystems,103(2010)316-326參考文獻(xiàn)：PapageorgiouE.L,Aggelopoulou,K.D.,Gemtos,TA.,Nanos,G.D.YieldpredictioninapplesusingFuzzyCognitiveMapleaniingapproachJ,ComputersandElectronicsinAgiiculture91(2013)19-29Kravchenko,A.N.5Bullock.D.G.2000.Correlationofcomandsoybeangrainyieldwithtopogiaphyandsoilproperties

26、.AgiononiyJournal92(1),75一83.Park,S.J.,Hwang,C.S.,Vlek,PL.G.005.Comparisonofadaptivetecluiiqiiestopredictcropyieldresponseundervaiyingsoilandlandmanagementconditions.AgiiculturalSystems85,59-81.Huang,YtLan,Y,Thomson.sJ/ang,A.,Hoffhiann,W.C.,LaceyR.E.,2010Developmentofsoftcomputingandapplicationsinag

27、iiculturalandbiologicalengineering.ComputersandElectronicsinAgiiculhire71,107-127.FortinJG5AHetParent,L.,BolinderM.A.2010.Aneuralnetworkexperimentonthesite-specificsimulationofpotatohibergrowthinEasternCanada.ComputersandElectronicsinAgricultuie73(2),126132.JiangJ>.,TlielenJC.D.2004.Effectofsoila

28、ndtopographicpropertiesonaopyieldinanorth-centralcom-soybeancioppingsystem.AgionomyJounial96,252-258.Kitchen,N.R.,Drun】mond,S.T.,LundED.,SudduthM.A.,Biichleiter,G.W.,2003.Soilelectricalconductivityandtopogiaphyrelatedtoyieldfortlireecontrastingsoil-cropsystems.AgronomyJounial95,483-495.KowalikW.,Kat

29、arzyiiaDabrowska-Zielinska;MicheleMeroni;TeresaUrszulaRaczka;AllarddeWit.HeldestimationusingSPOT-VEGETATIONproducts:AcasestudyofwheatinEuropeancountriesJ.hiteniationalJounialofAppliedEarthObseivationandGeoiiifonnation,32(2014)228-239Kogan,Felix;NataliiaKussiil;TatianaAdamenko;SergiiSkakun;OleksiiKravcheiiko;Ole