The Crop Yield Estimation Model Based on Multiple Regression Analysis

doi:10.11924/j.issn.1000-6850.casb2021-0364

Abstract

Abstract:

Crop yield estimation is related to many aspects, such as grain scheduling, grain market price balance, agricultural structure adjustment and so on. Therefore, combined with multiple regression analysis, this paper constructed a crop yield estimation model. In this model, the author used gray correlation analysis to find the leading factors that affect crop yield, and then used the data of the leading factors as the input to construct the multiple linear regression estimation model of crop yield and get the estimated value of crop yield. The results show that: by using this model to estimate the total yield of maize in the three northeast provinces of China from 2017 to 2019, the error between the predicted yield and the actual yield is less than 1%, indicating that the model has high accuracy and wide application prospect.

Key words: multiple regression analysis, crop yield, estimation model, gray correlation analysis, leading factor

CLC Number:

TP125.6

ZHOU Xiaohong. The Crop Yield Estimation Model Based on Multiple Regression Analysis[J]. Chinese Agricultural Science Bulletin, 2022, 38(8): 152-156.

Figures/Tables 7

References 20

[1]	陶雯, 张旭博, 孙志刚, 等. 华北引黄灌区粮食产量与农业土壤资源质量时空分布特征[J]. 自然资源学报, 2019, 34(4):159-168.
[2]	张卓, 龙慧灵, 王崇倡, 等. 冬小麦叶片光合特征高光谱遥感估算模型的比较研究[J]. 中国农业科学, 2019, 52(4):616-628.
[3]	郭霞霞, 周桂红, 程洪. 基于线性回归模型的菜花重量预测研究[J]. 河北农业大学学报, 2019, 42(1):130-134.
[4]	韩文霆, 彭星硕, 张立元, 等. 基于多时相无人机遥感植被指数的夏玉米产量估算[J]. 农业机械学报, 2020, 51(1):155-162.
[5]	任青山, 方逵, 朱幸辉. 基于多元回归的BP神经网络生猪价格预测模型[J]. 江苏农业科学, 2019, 47(14):277-281.
[6]	闫长斌, 杜旭阳, 戴晓亚, 等. 基于围岩力学参数的TBM净掘进速率多元回归预测模型[J]. 隧道建设(中英文), 2019, 39(1):48-53.
[7]	崔旭盛, 方涛, 解军波, 等. 基于回归神经网络模型的中药材种子价格预测分析——以酸枣种子为例[J]. 种子, 2020, 39(3):52-55.
[8]	杨北萍, 陈圣波, 于海洋, 等. 基于随机森林回归方法的水稻产量遥感估算[J]. 中国农业大学学报, 2020, 25(6):32-40.
[9]	苏华, 张明慧, 李静, 等. 基于光学与SAR因子的森林生物量多元回归估算——以福建省为例[J]. 遥感技术与应用, 2019, 34(4):847-856.
[10]	张超, 余哲修, 黄田, 等. 基于不同光谱变换的剑湖茭草鲜生物量估测研究[J]. 西南林业大学学报, 2019, 39(6):105-115.
[11]	陶惠林, 冯海宽, 徐良骥, 等. 基于无人机高光谱遥感数据的冬小麦生物量估算[J]. 江苏农业学报, 2020, 36(5):88-96.
[12]	李环, 孙素芬, 罗长寿. 基于NARX神经网络的粮食产量预测模型[J]. 江苏农业科学, 2020, 48(22):234-238.
[13]	王辉, 付虹雨, 王继龙, 等. 基于多元回归和BP神经网络的苎麻产量估测模型比较研究[J]. 中国麻业科学, 2020, 42(5):38-49.
[14]	王占林, 张海春. 基于多元回归的高寒地区油菜产量预测模型[J]. 中国农学通报, 2019, 35(14):38-41.
[15]	冯欣, 登巴达吉, 孔四新, 等. 基于线性回归分析模型的藏药波棱瓜子产量预测及其影响因子解析[J]. 中国现代中药, 2020, 22(3):409-411,426.
[16]	崔颖, 蔺宏宏, 谢云, 等. AquaCrop模型在东北黑土区作物产量预测中的应用研究[J]. 作物学报, 2021, 47(1):163-172.
[17]	刘鹏, 郑勇, 杨红军. 基于改进神经网络的农作物产量预测方法[J]. 电子技术应用, 2019, 45(10):88-91,99.
[18]	王利民, 姚保民, 刘佳, 等. 基于SWAP模型同化遥感数据的黑龙江南部春玉米产量监测[J]. 农业工程学报, 2019, 35(22):285-295.
[19]	刘建君, 陈红, 马晋宇. 基于环境库兹涅茨曲线模型的农作物产量与碳足迹关系研究——以黑龙江省水稻生产为例[J]. 科技管理研究, 2020, 40(4):248-253.
[20]	蒋华伟, 张磊. 基于长短期记忆生成对抗网络的小麦品质多指标预测模型[J]. 电子与信息学报, 2020, 42(12):42-49.

类别	作用	判定	说明
R²检验	用于检验回归模型的有效性的鉴定值	0≤R²≤1	R²值越接近1,模型用于农作物产量估测越有效
F检验	检验模型整体显著性	根据给定的显著性水平,查阅F分布表, 得出临界值,并与F进行对比	当F>临界值,通过F检验,方程的线性关系显著; 当F<临界值,未通过检验,回归模型无意义
t检验	用于回归模型的系数显著性	同上	t<临界值,通过检验,自变量对因变量的影响显著; 否则,未通过检验

类别	作用	判定	说明
R²检验	用于检验回归模型的有效性的鉴定值	0≤R²≤1	R²值越接近1,模型用于农作物产量估测越有效
F检验	检验模型整体显著性	根据给定的显著性水平,查阅F分布表, 得出临界值,并与F进行对比	当F>临界值,通过F检验,方程的线性关系显著; 当F<临界值,未通过检验,回归模型无意义
t检验	用于回归模型的系数显著性	同上	t<临界值,通过检验,自变量对因变量的影响显著; 否则,未通过检验

年份	农作物产量/t
2007	9588700
2008	10620000
2009	9780000
2010	10245000
2011	10070500
2012	10280000
2013	9420000
2014	10851000
2015	11930000
2016	12741000

年份	农作物产量/t
2007	9588700
2008	10620000
2009	9780000
2010	10245000
2011	10070500
2012	10280000
2013	9420000
2014	10851000
2015	11930000
2016	12741000

年份	X₁	X₂	X₃
2007	15.45	1080.70	3411.58
2008	15.93	1070.45	2283.76
2009	16.34	963.07	2288.43
2010	15.76	1226.85	3305.50
2011	16.32	852.40	836.57
2012	15.23	1040.44	2139.76
2013	16.45	1043.36	1324.53
2014	16.76	1 065.32	1642.23
2015	15.23	1036.75	483.32
2016	15.80	1123.80	1000.57