张向君　陈优良　肖钢

摘 要：人口的持续增长对农业系统的压力越来越大，产量预测能够为农作物的合理规划与种植提供指导。随着数据科学与计算机软硬件的发展，机器学习凭借其对复杂性、非线性问题的处理能力，在数据分析、农业病虫害识别、模式识别中表现良好，被逐渐应用于农作物产量预测中。该文以当前农作物产量预测为背景，概述了机器学习的主要算法，在归纳国内外研究进展的基础上，综合分析当前基于机器学习的农作物产量预测方法，并讨论了不同方法特点和精度。

关键词：农作物;产量预测;机器学习;智能优化算法;神经网络

中图分类号 S126文献标识码 A文章编号 1007-7731（2021）03-0117-04

A Review of Crop Yield Prediction based on Machine Learning

ZHANG Xiangjun1 et al.

（1School of Civil and Surveying & Mapping Engineering， Jiangxi University of Science and Technology， Ganzhou 341000， China）

Abstract： With the growth of the population， the pressure on agriculture becomes more and more enormous. Crop yield prediction plays a more important role in reasonable planning and planting in agriculture. With the development of data science and computer hardware， machine learning has performed well in data analysis， agricultural pests ， disease recognition， and pattern recognition， and is gradually applied to crop yield prediction. At the background of current crop yield prediction methods， the main machine learning algorithms are comprehensively analyzed， and the characteristics of different methods are discussed and the accuracy is compared. Finally， it looks forward to the possible future development direction of this research field.

Key words： Cropl; Yield prediction; Machine learning; Intelligent optimization algorithm; Neural network

農作物与人们的生活息息相关，它是人类生存的最基本保障。粮食安全是国家政治、经济、社会安全的重要组成部分[1]，随着全球人口增长，农业系统承受的压力也越来越大[2]。作物产量预测是国家制定农业政策、发展农业生产、计划作物种植的重要依据，作物产量预测已成为农业领域的研究热点之一。作物产量的形成过程受到自然及社会因素[3]的影响，因而作物产量预测是一个复杂的非线性过程。

传统的农作物产量预测方法以数据为基础，应用统计模型预测，主要分析方法有ARIMA[4]、灰色预测模型、逐步回归模型[6]等。杨立凡等[5]利用灰色关联分析筛选了云南省粮食产量的重要经济影响因素，使用GM（1，N）模型实现了云南省粮食产量预测。刘晓宇等[7]根据气候因素与烟草生长因素相结合，使用逐步回归方法预测了黑龙江省的烟叶产量。……