【摘要】 双变量施肥系统排肥量预测模型的构建主要以数学统计和机器学习方法为主。针对机器学习建模方法中普遍存在的运算过程耗时较长问题，基于灰狼算法(gray wolf optimizer, GWO)和广义回归神经网络(general regression neural network, GRNN),提出一种排肥量预测模型构建方法(GWO-GRNN),并对其有效性进行了验证。首先，基于双变量施肥试验平台进行3种不同固体颗粒肥的定时排肥试验，获得试验数据集；其次，提出GWO-GRNN算法对GRNN的平滑因子进行优化，并将寻优过程与现有算法(DE-GRNN)进行对比，结果表明GWO-GRNN算法整体上具有较快的收敛速度和较短的运行时间；最后，基于获得的最佳平滑因子构建3种颗粒肥的排肥量预测模型，并分别选取3种颗粒肥未参加训练的18个样本作为测试集，对模型精度进行验证。结果表明，构建的3种颗粒肥排肥量预测模型决定系数均在0.99以上，平均相对误差均在2%左右。该方法能够在保证排肥量预测模型精度的同时提升运算效率，具有较好的适应性。更多还原