大豆是全球最重要的油料作物和植物蛋白来源以及全球四大粮食作物之一。中国是排名世界第四的大豆生产国和最大消费国，而东北地区是中国大豆主产区，其大豆产量约占全国总产量的一半。东北大豆产量的年际变化主要受气象因素驱动，准确预测气象因素主导的产量年际变化对保障粮食安全和市场稳定具有重要意义。已有的统计预测研究多集中于东北地区局部区域、部分县、或单个省，且预测时段不超过5年，或仅评估了拟合效果。针对上述问题，本研究基于气象因子，采用岭回归、Lasso回归、支持向量机回归、K近邻回归、决策树回归和随机森林方法构建了1981~2018年东北地区省级尺度大豆产量年际变化预测模型，并评估和比较其交叉验证技巧。主要结论如下：（1）在六种机器学习方法中，岭回归在三省整体表现最优，其交叉验证相关系数在黑龙江、吉林和辽宁分别达到0.48（P＜0.01）、0.58（P＜0.001）和0.72（P＜0.001）；（2）相较于逐步线性回归，岭回归在相关系数（R）和均方根误差（RMSE）上均表现更好，仅在吉林省和辽宁省的幅度预测准确性上略低。（3）因子选择与样本叠加处理在多数情况下能提升机器学习模型的交叉验证预测技巧。（4）气象因子对产量形成的关键作用窗口集中在7至8月的开花结荚期，此期间温度、降水和日照时长的正向协同效应显著，充足的水热条件有利于花荚形成、籽粒发育及光合作用增强，从而提升最终产量。研究结果为东北大豆产量预测和农业风险管理提供了科学依据。
 

大豆产量预测,机器学习,气象因子,中国东北,年际变化