許藝馨，馮 磊，蘇永秀，莫申萍，劉 軍

（1廣西物流職業(yè)技術(shù)學(xué)院，廣西貴港 537100；2廣西壯族自治區(qū)氣象科學(xué)研究所，南寧 530022；3貴港市氣象局，廣西貴港 5371003；4貴港市農(nóng)業(yè)技術(shù)推廣中心，廣西貴港 537100）

0 引言

氣象因子和土壤水分是造成糧食產(chǎn)量波動的主要環(huán)境因子[1-3]，大量的研究表明，不同時期的氣象因子、土壤水分對作物產(chǎn)量的影響會有很大的差別[4-6]。目前，已有很多學(xué)者在預(yù)測作物產(chǎn)量的方法上進行過多種探討，以提高預(yù)報的準(zhǔn)確度。現(xiàn)用來預(yù)報作物產(chǎn)量的經(jīng)典方法主要有統(tǒng)計預(yù)報方法、作物生長模型等，其中統(tǒng)計預(yù)報方法包括逐步回歸預(yù)測模型[7]、灰色預(yù)測模型[7]、主成分回歸方法[8]等，主流的作物生長模型包括 WOFOST[9]、CERES-Maize[10]、DSSAT[11]等。隨著計算機技術(shù)的不斷發(fā)展，涌現(xiàn)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)等機器學(xué)習(xí)預(yù)報方法。相比而言，統(tǒng)計預(yù)報方法和機器學(xué)習(xí)方法簡單，容易實現(xiàn)，作物生長模型方法參數(shù)量大，必須通過大量試驗研究才能獲取當(dāng)?shù)剡m宜的模型參數(shù)；并且作物模型對光合作用、水肥、干物質(zhì)分配和土壤水分平衡等過程的模擬各有側(cè)重，對這些復(fù)雜機理過程的認(rèn)識不夠清晰，容易導(dǎo)致模型模擬結(jié)果不穩(wěn)定[9-11]。

李長軍[7]利用逐步回歸方法和灰度理論對玉米產(chǎn)量構(gòu)建了預(yù)測模型；陳斐等[12]等利用主成分回歸分析法對長江中下游稻區(qū)構(gòu)建早稻產(chǎn)量估算模型；Hao Jiang等[13]等開發(fā)了基于深度學(xué)習(xí)的玉米估產(chǎn)模型，用遙感數(shù)據(jù)和氣象數(shù)據(jù)作為預(yù)測變量，估算出了美國玉米帶的產(chǎn)量，較之傳統(tǒng)模型有了明顯的性能提升；于珍珍[14]、方惠敏等[15]也基于不同的預(yù)測因子，用BP神經(jīng)網(wǎng)絡(luò)建立區(qū)域玉米產(chǎn)量模型，也取得良好的預(yù)測效果。而春玉米產(chǎn)量結(jié)構(gòu)（理論產(chǎn)量、果穗長、果穗粗、株子粒重、百粒重）的相關(guān)研究和建模仍較少，尤其是基于環(huán)境因子（包括氣象因子和土壤水分因子）共同影響春玉米產(chǎn)量結(jié)構(gòu)的機理研究仍處于空白，未發(fā)現(xiàn)相關(guān)成果。若能較好的掌握氣象因子、土壤水分對春玉米生長發(fā)育的影響，定量分析春玉米產(chǎn)量結(jié)構(gòu)與氣象因子及土壤水分的關(guān)系，建立良好的產(chǎn)量結(jié)構(gòu)模型，可提高應(yīng)對氣候變化的能力，對促進春玉米高產(chǎn)穩(wěn)產(chǎn)、農(nóng)民增收，具有重大意義。

貴港市位于桂東南的潯郁平原，地處北回歸線以南，水熱資源豐富，屬亞熱帶濕潤季風(fēng)氣候，春季溫暖濕潤光照足，夏季高溫多雨日照長，比較適合玉米喜溫、短日照的生長特點。全市春種旱地面積1.2×105hm2，其中玉米約3×104hm2，為貴港市重要的糧食作物，有必要對玉米的產(chǎn)量結(jié)構(gòu)進行預(yù)測。以貴港市為例對華南地區(qū)春玉米產(chǎn)量結(jié)構(gòu)預(yù)測模型進行研究，以期為貴港春玉米的科學(xué)生產(chǎn)及農(nóng)事活動提供依據(jù)。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

研究采用的數(shù)據(jù)為貴港市2012—2019年春玉米觀測資料、同期的氣象數(shù)據(jù)和農(nóng)田土壤水分?jǐn)?shù)據(jù)。玉米觀測資料根據(jù)中國氣象局《農(nóng)業(yè)氣象觀測規(guī)范》進行觀測和整理，玉米品種為‘迪卡008’，產(chǎn)量結(jié)構(gòu)數(shù)據(jù)包括：春玉米成熟時抽樣40株樣本的理論產(chǎn)量（株子粒重×1 m2有效株數(shù)），果穗長，果穗粗，株子粒重（樣本子粒重/樣本株數(shù)），百粒重；氣象數(shù)據(jù)來源于距玉米觀測地段2.5 km處的貴港國家氣象觀測站，包括降雨量、雨日、積溫、平均氣溫、日照時數(shù)等氣象要素；土壤水分?jǐn)?shù)據(jù)來自貴港自動土壤水分觀測站，儀器位于玉米地中，每小時自動采集10、20、30、40、50、60、80、100 cm八層土壤體積含水率，土壤質(zhì)地為粉砂土或砂粘土為主，酸堿度呈中性，地勢平坦，土壤容重為1.15～1.27 g/cm3，田間持水量為26.3%～37%，凋萎濕度為11.8%～18.6%。

為了更好地判斷春玉米產(chǎn)量結(jié)構(gòu)受不同生長階段不同環(huán)境因子的影響程度，根據(jù)玉米的生長特性和觀測資料，將玉米分為3個主要的生長階段，第一階段為播種—拔節(jié)期，一般為3月上、中旬至4月下旬或5月上旬（50～59天），幼苗期莖葉生長緩慢，根系生長迅速；第二階段為拔節(jié)—抽雄期，一般在5月上旬至5月中或下旬（14～19天），是生殖生長的起點，根、莖、葉的生長十分旺盛，干物質(zhì)急劇增加[16]；第三階段為抽雄—成熟期，一般從5月下旬～6月下旬或7月上旬（40～45天），由營養(yǎng)和生殖生長并重轉(zhuǎn)向以生殖生長為主，是決定產(chǎn)量最關(guān)鍵的時期[17]。

由于玉米是淺根系作物，根系主要集中在0～50 cm處，占總根量的90%，該范圍內(nèi)土壤水分受玉米根系的吸收能力影響較大[18-19]。玉米根系吸收土壤水分和養(yǎng)分的活力是垂直分布的，拔節(jié)—抽雄期，玉米根系主要吸收10～20 cm深度的土壤水分，灌漿～乳熟期的根系對20～40 cm土深的水分和養(yǎng)分吸收最為活躍[19]。因而本研究利用10、20、30、40 cm土壤體積含水率作為土壤水分因子（簡稱“土含水”）。

1.2 研究方法

1.2.1 多元線性回歸方法 多元線性回歸模型(Multivariable linear regression model,MLR)是一種可用于作物產(chǎn)量預(yù)測的有效模型。多元逐步回歸的中心思想是將自變量x對因變量（預(yù)報對象y）的作用，按其顯著程度的大小排列起來，再將它們的貢獻依次引入方程，見公式(1)。

式中y為產(chǎn)量結(jié)構(gòu)，b0為常數(shù)項，bi(i～n)為系數(shù)，n為因子數(shù)，xi為第i個影響產(chǎn)量的因子，ε為回歸誤差。利用最小二乘法求得b0和bi，模型計算過程按照最小平均誤差為原則求解[20]。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)方法 BP神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)方法中使用最為廣泛的一種方法，通過選擇合適的連接權(quán)值和模型傳遞函數(shù)，BP神經(jīng)網(wǎng)絡(luò)能夠逼近于任何非線性函數(shù)并進行建模，其多層感知器應(yīng)用最新的算法來訓(xùn)練數(shù)據(jù)，已經(jīng)成功地解決了農(nóng)業(yè)生產(chǎn)中的許多問題和難題[21]，見公式(2)。

2 結(jié)果與分析

2.1 環(huán)境因子與產(chǎn)量結(jié)構(gòu)的相關(guān)性

根據(jù)春玉米3個不同的發(fā)育階段，將雨量、雨日、積溫、平均氣溫、日照、土壤體積含水率（各因子賦予代碼見表1）與春玉米產(chǎn)量結(jié)構(gòu)進行相關(guān)性分析，結(jié)果表明：拔節(jié)—抽雄期通過顯著性檢驗的土壤水分因子最多，其次為抽雄期—拔節(jié)期（表2），10、20 cm的土含水與理論產(chǎn)量和百粒重關(guān)系較為密切，并且表現(xiàn)為負效應(yīng)，說明10、20 cm土含水越大，理論產(chǎn)量和百粒重越小，究其原因，主要是由于玉米是耐旱作物，從苗期開始，當(dāng)?shù)亟涤炅枯^多，10、20 cm土含水較高時，容易缺氧影響根系的呼吸，不利于玉米苗的生長[22]。抽雄—成熟期的雨日、拔節(jié)—抽雄期、抽雄—成熟期20～40 cm土壤水分與果穗長表現(xiàn)為正相關(guān)，表明春玉米拔節(jié)之后的土壤水分對果穗長尤為重要。拔節(jié)—抽雄期的積溫(Ts2)、日照(S2)成為影響果穗粗顯著正相關(guān)因子，熱量、光照作為光合作用的驅(qū)動力，對拔節(jié)—抽雄期玉米莖桿干物質(zhì)的產(chǎn)生和積累功不可沒，為生殖期干物質(zhì)的分配和轉(zhuǎn)化提供條件，利于穗分化、授粉、灌漿，果穗粗增大[23]。對株子粒重影響較明顯的因子為拔節(jié)—抽雄期的雨量和日照、播種—拔節(jié)期30 cm和40 cm土含水，考慮為拔節(jié)—抽雄期的雨量、日照可促進每株玉米的結(jié)實子粒增多，在玉米苗期30、40 cm土含水可促進根系伸長，早生快發(fā)。

各因子數(shù)值并非越大越好，通過相關(guān)分析所知，在適宜范圍內(nèi)春玉米產(chǎn)量結(jié)構(gòu)隨氣象因子、土壤水分因子的增大呈正相關(guān)關(guān)系，但當(dāng)超過各因子臨界值則呈負相關(guān)關(guān)系，不利于玉米的生長發(fā)育和高產(chǎn)?？偠灾?，除了平均氣溫外，其他因子都能通過顯著性檢驗，表明這些因子顯著影響產(chǎn)量結(jié)構(gòu)的變化和波動。

2.2 多元線性回歸方程模型

氣象因子和土壤水分因子對春玉米的生長發(fā)育有明顯的制約作用，但不同因子的權(quán)重有大小之分，也有相對獨立性。利用2012—2018年貴港春玉米的產(chǎn)量結(jié)構(gòu)與環(huán)境因子建立逐步回歸模型。

表1 環(huán)境因子名稱及代碼

以往研究大都是利用相關(guān)顯著的環(huán)境因子與作物產(chǎn)量建立關(guān)系模型。為了建立精度高實用性的多元線性回歸模型，本研究嘗試分別利用全因子與顯著相關(guān)因子作為模型的輸入因子。全因子建模的輸入因子包括三個生育階段的雨量、雨日、積溫、平均氣溫、日照及10、20、30、40 cm土壤體積含水率共27個因子，顯著因子建模的輸入因子只選取在0.1水平上顯著相關(guān)的環(huán)境因子（表2）。

MLR模型的R2在0.7～0.996之間（表3），通過了95%的顯著性檢驗，表明方程具有良好回歸效果。由MLR模型可看出，理論產(chǎn)量全因子和顯著因子建模皆受SW23土壤水分影響，但為負效應(yīng)，說明在春玉米生殖生長期間當(dāng)?shù)亟涤炅窟^多，20 cm土含水過大，常常不利于理論產(chǎn)量的增加。果穗長除了受到D3正影響外，全因子模型中顯示還受到SW33正影響。果穗粗的全因子和顯著因子建模中，只有S2因子進入模型。對株子粒重影響較大環(huán)境因子為30 cm的土含水，起著正影響作用，除此之外，全因子模型中SW13表現(xiàn)負作用，S2也起促進光合作用，間接促進有機物轉(zhuǎn)化。百粒重的全因子模型和顯著因子模型自變量不同，全因子模型受SW22負影響、SW43正影響顯著，而顯著因子模型則受SW23負影響。在多元線性回歸模型中（表3），影響因子對春玉米產(chǎn)量結(jié)構(gòu)的正負向作用與相關(guān)系數(shù)分析結(jié)果一致，但表現(xiàn)出的貢獻率大小有所差別。

表2 春玉米各階段環(huán)境因子與產(chǎn)量結(jié)構(gòu)相關(guān)系數(shù)表

總體而言，MLR模型的自變量主要為雨日、日照、土壤水分因子，而全因子模型的優(yōu)度(R2)比顯著因子模型要高，這是由于因子越多，所包含的信息越全面，模型優(yōu)度就越高。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型

利用BP神經(jīng)網(wǎng)絡(luò)方法對2012—2018年春玉米產(chǎn)量結(jié)構(gòu)進行建模，逼近環(huán)境因子與產(chǎn)量結(jié)構(gòu)之間的函數(shù)關(guān)系。先對數(shù)據(jù)進行無綱量化處理，使得數(shù)據(jù)都處于同一個數(shù)量級別上（歸一化）。同樣嘗試用全因子和顯著因子作為輸入層；中間為一個隱含層，以往的研究結(jié)果表明，當(dāng)隱節(jié)點的個數(shù)與預(yù)報因子個數(shù)相當(dāng)時，容易達到最佳效果，因此，根據(jù)經(jīng)驗公式預(yù)報因子個數(shù)的0.5～1.5倍作為隱節(jié)點個數(shù)，則可確定隱含層節(jié)點數(shù)的范圍，對比其誤差和訓(xùn)練時間，選擇最合理的節(jié)點數(shù)，經(jīng)測試全因子模型節(jié)點數(shù)N為10～13，顯著因子模型的節(jié)點數(shù)N根據(jù)自變量的個數(shù)變化設(shè)定在2～4；把產(chǎn)量結(jié)構(gòu)作為輸出層。隱含層的非線性傳遞函數(shù)使用Sigmoid函數(shù)，訓(xùn)練的傳遞函數(shù)使用Levenberg-Marqurdt函數(shù)[24]，它具有收斂快和占用內(nèi)存低的優(yōu)點。得出BPNN模型的R2在0.600～0.994之間，并通過99%的顯著性檢驗。

2.4 模型擬合結(jié)果對比分析

圖1為2012—2018年春玉米產(chǎn)量結(jié)構(gòu)的MLR全因子模型(MLR_AF)、MLR顯著因子模型(MLR_SF)、BPNN全因子模型(BPNN_AF)、BPNN顯著因子模型(BPNN_SF)回代結(jié)果的實際值與擬合值對比。四種模型均通過0.05水平顯著性檢驗。分析圖1(a)～(e)回代結(jié)果可知，果穗長模型以BPNN_AF模型回代效果最優(yōu)，擬合值與實際值最接近，理論產(chǎn)量、果穗粗、株子粒重、百粒重模型以MLR_AF模型擬合結(jié)果較理想，峰值、谷值都能擬合得較好?？傮w來說，多元線性回歸方法(MLR)比機器學(xué)習(xí)算法(BPNN)建模的訓(xùn)練優(yōu)度(R2)更優(yōu)，而引入全因子變量后所建立的綜合預(yù)測模型(AF)擬合效果優(yōu)于顯著因子模型(SF)。

表3 春玉米產(chǎn)量結(jié)構(gòu)的多元線性回歸(MLR)預(yù)測模型

表4 春玉米產(chǎn)量結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)(BPNN)預(yù)測模型

2.5 試報檢驗

將2019年環(huán)境因子分別代入MLR、BPNN模型，得到產(chǎn)量結(jié)構(gòu)預(yù)測值，再計算模型預(yù)測值與實際值的相對誤差(MRE)，結(jié)果如表5。表中MRE越接近0，表明模型預(yù)測準(zhǔn)確率越高。

由表5可見，MLR的全因子預(yù)測模型預(yù)測結(jié)果相對誤差為-22%～9%，顯著因子模型的預(yù)測相對誤差為-24%～12%，顯著因子預(yù)測模型的泛化能力比起全因子模型并未表現(xiàn)出優(yōu)勢，對理論產(chǎn)量和株子粒重的預(yù)測誤差較大。

BPNN模型中，全因子預(yù)測模型的相對誤差為-2%～10%，顯著因子模型的相對誤差為-19%～14%，說明BPNN的全因子預(yù)測模型應(yīng)用效果更佳，對2019年的春玉米產(chǎn)量結(jié)構(gòu)有更好的預(yù)測，特別表現(xiàn)為對理論產(chǎn)量、果穗粗的預(yù)測最為精準(zhǔn)，MRE為0。BPNN_AF運用27個因子為基礎(chǔ)作為預(yù)測輸入，比顯著因子（2～6個）更為全面，因此預(yù)測結(jié)果均比較理想，這說明預(yù)測結(jié)果準(zhǔn)確性的提高與完善環(huán)境因子有較大關(guān)系。

圖1 四種模型(MLR_AF、MLR_SF、BPNN_AF、BPNN_SF)的回代結(jié)果對比

表5 春玉米產(chǎn)量結(jié)構(gòu)預(yù)測模型試報檢驗

通過分別檢驗MLR和BPNN全分子和顯著分子4種模型發(fā)現(xiàn)，BPNN_AF模型的泛化力的最優(yōu)，BPNN_AF模型的檢驗效果比起MLR_AF模型MRE提高1%～12%，能較好地捕捉作物產(chǎn)量結(jié)構(gòu)與環(huán)境因子之間的非線性影響規(guī)律，預(yù)測結(jié)果較為合理準(zhǔn)確，相對誤差最小，可考慮作為春玉米產(chǎn)量結(jié)構(gòu)預(yù)測的優(yōu)選方法。

3 討論

3.1 環(huán)境因子與產(chǎn)量結(jié)構(gòu)的相關(guān)分析

通過春玉米產(chǎn)量結(jié)構(gòu)與環(huán)境因子的關(guān)系研究，篩選出影響春玉米產(chǎn)量結(jié)構(gòu)的關(guān)鍵生育期、關(guān)鍵因子。其中，拔節(jié)—抽雄期通過顯著性檢驗的因子最多，包括積溫、日照、10～40 cm的土壤水分含量，可看做關(guān)鍵生育期，這與王寧珍[25]、李春華[26]的研究結(jié)論土壤貯水量與玉米產(chǎn)量相關(guān)最顯著的階段在拔節(jié)—抽雄期有一定的相似之處。降雨量的影響可能更多反應(yīng)在土壤水分含量上。苗期的10 cm土壤水分與玉米產(chǎn)量結(jié)構(gòu)的相關(guān)性并不明顯，一方面是玉米生長前期根系發(fā)育不完善，吸收水分能力不強；另一方面，可以認(rèn)為玉米生長前期對水分的需求不大。拔節(jié)后10、20 cm土壤水分與理論產(chǎn)量最為密切，但拔節(jié)后的10、20 cm土壤水分增加不利于理論產(chǎn)量形成，考慮為土壤水分含量過高時，不利于根系的透氣和呼吸作用，呼吸作用產(chǎn)生的中間物質(zhì)正是生長后期有機物質(zhì)合成的重要原材料。尤其是進入乳熟后，植株生理活動減弱，對水分需求降低，不利于結(jié)實灌漿。春玉米拔節(jié)之后20～40 cm土壤水分與果穗長表現(xiàn)為正相關(guān)，由于春玉米拔節(jié)后進入營養(yǎng)生長和生殖生長并進時期，此階段植株生理活動旺盛，對水分要求較高，對水分的要求達到一生的最高值，是玉米需水臨界期，進而影響果穗長，這與吳澤新[27]的研究結(jié)論相符。因此，加強需水關(guān)鍵期土壤水分管理，是有效提高春玉米產(chǎn)量結(jié)構(gòu)的有效途徑之一。

3.2 產(chǎn)量結(jié)構(gòu)預(yù)測模型優(yōu)劣對比

以往研究[28-30]大都是利用相關(guān)顯著的因子建立產(chǎn)量模型，本研究嘗試分別用全因子與顯著相關(guān)因子作為模型的輸入因子，試圖建立高精確度的產(chǎn)量結(jié)構(gòu)模型。通過試報檢驗，多元線性回歸(MLR)的全因子預(yù)測模型的泛化能力優(yōu)于顯著因子模型。這是由于不論是全因子或是顯著因子作為MLR模型的輸入因子，通過逐步回歸分析將變量逐步引入時，對已選入的變量逐個檢驗，當(dāng)原有引入的變量由于后面的變量的引入不再顯著，則將其剔除，這就保證了模型最后保留在方程中的顯著性變量即是貢獻最大的，又沒有嚴(yán)重的多重共線性，最小二乘法估計的模型參數(shù)比較穩(wěn)定[20]，最后保留在方程中的自變量貢獻力由非標(biāo)準(zhǔn)化系數(shù)決定。同樣，BP神經(jīng)網(wǎng)絡(luò)模型(BPNN)的全因子預(yù)測模型的泛化能力優(yōu)于顯著因子模型，春玉米的產(chǎn)量結(jié)構(gòu)是環(huán)境因子綜合作用的結(jié)果，只用顯著因子作為輸入因子建模難以解析和預(yù)測目標(biāo)變量的全部真實信息，顯著因子模型的檢驗效果并未表現(xiàn)出優(yōu)勢。農(nóng)業(yè)生產(chǎn)過程中，玉米產(chǎn)量結(jié)構(gòu)受多種因素的交互影響，氣象因子、土壤水分因子與產(chǎn)量結(jié)構(gòu)之間的關(guān)系非常復(fù)雜，具有很強的非線性和黑箱特性，用傳統(tǒng)的多元線性分析方法很難定量地描述它們之間的函數(shù)關(guān)系[26-27]，而機器學(xué)習(xí)方法在逼近模型函數(shù)方面有著很好的優(yōu)勢，與方慧敏[15]利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測玉米區(qū)試產(chǎn)量精度較高的結(jié)論具有一致性。

3.3 本研究的不足和改進方向

春玉米產(chǎn)量結(jié)構(gòu)預(yù)測模型是基于數(shù)年統(tǒng)計資料建立起來的經(jīng)驗統(tǒng)計模型，只確定了產(chǎn)量結(jié)構(gòu)與環(huán)境因子之間的數(shù)理關(guān)系，并不能很好地解釋大氣、作物、土壤相互耦合的機理機制，需在今后進一步加強研究。由于下墊面特征不同，農(nóng)田中氣象要素的變化與氣象觀測站可能存在一定差異，且在農(nóng)業(yè)結(jié)構(gòu)調(diào)整大背景下，盡管獲取同一玉米品種的連續(xù)多年地段觀測數(shù)據(jù)十分不易，但該研究訓(xùn)練模型和檢驗?zāi)Ｐ偷臉颖救燥@偏少，產(chǎn)量預(yù)報模型具有一定的局限性和不穩(wěn)定性，這給春玉米產(chǎn)量結(jié)構(gòu)預(yù)測帶來了一定的誤差。在今后的研究中，需補充觀測和收集更多的樣本數(shù)據(jù)，并增加氣象災(zāi)害、病蟲害、農(nóng)事管理等因子，逐漸修正和完善模型，以期建立準(zhǔn)確度更高的春玉米產(chǎn)量結(jié)構(gòu)預(yù)報模型。

4 結(jié)果

春玉米產(chǎn)量結(jié)構(gòu)形成與環(huán)境因子關(guān)系密切，通過顯著性檢驗最多的環(huán)境因子處于拔節(jié)—抽雄期，其次為抽雄—成熟期，而10～40 cm的土壤水分含水率是影響當(dāng)?shù)卮河衩桩a(chǎn)量結(jié)構(gòu)形成最關(guān)鍵的環(huán)境因子。利用多元線性回歸方法建立了春玉米產(chǎn)量結(jié)構(gòu)預(yù)測模型，MLR模型的優(yōu)度(R2)為0.70～0.996。利用BP神經(jīng)網(wǎng)絡(luò)方法(BPNN)建立春玉米產(chǎn)量結(jié)構(gòu)預(yù)測模型，逼近環(huán)境因子與產(chǎn)量結(jié)構(gòu)之間的函數(shù)關(guān)系，BPNN模型的優(yōu)度R2為0.600～0.994，同樣是BPNN全因子模型的優(yōu)度(R2)高于顯著因子模型。試報檢驗MLR_AF、MLR_SF、BPNN_AF、BPNN_SF四種模型，顯著因子模型的泛化能力并未比全因子模型表現(xiàn)出優(yōu)勢，BPNN_AF模型的泛化力的最優(yōu)，能較好捕捉作物產(chǎn)量結(jié)構(gòu)與環(huán)境因子之間的非線性影響規(guī)律，預(yù)測結(jié)果較為合理準(zhǔn)確，相對誤差最小，可考慮作為春玉米產(chǎn)量結(jié)構(gòu)預(yù)測的優(yōu)選方法。