基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測

尹健康，陳昌華，邢小軍，譚 俊，姚 進(jìn)

(1. 四川大學(xué)制造科學(xué)與工程學(xué)院 成都 610065; 2. 四川涼山煙草公司 四川 西昌 615000)

基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測

尹健康1,2，陳昌華1，邢小軍2，譚 俊1，姚 進(jìn)1

(1. 四川大學(xué)制造科學(xué)與工程學(xué)院 成都 610065; 2. 四川涼山煙草公司 四川 西昌 615000)

提出了分區(qū)域、分階段建立煙葉田間土壤水分預(yù)測簡化模型的思想，并利用BP神經(jīng)網(wǎng)絡(luò)建立了煙田土壤水分預(yù)測模型，確定區(qū)域階段土壤水分初值、蒸發(fā)量、月均氣溫、日照、降雨量為輸入層和階段土壤水分為輸出層，實(shí)現(xiàn)了從輸入端到輸出端的非線性映射。研究表明，該預(yù)測模型具有較好的預(yù)測效果，有廣泛的適應(yīng)性和廣闊的應(yīng)用前景。

BP神經(jīng)網(wǎng)絡(luò); 預(yù)測模型; 土壤水分; 煙葉

煙草是我國重要的經(jīng)濟(jì)作物，煙葉種植是煙草生產(chǎn)重要的環(huán)節(jié)之一。煙田土壤水分的變化對煙葉的生長、產(chǎn)量和煙葉香氣質(zhì)量，以及肥料利用率、煙株根系生長、土傳性病蟲害等都有很大影響[1]。因此，土壤水分預(yù)測研究對煙區(qū)煙草種植的規(guī)劃，尤其是確定施肥種類、數(shù)量，以及煙草土傳性病害預(yù)測預(yù)報(bào)具有重要意義。

近年來，國內(nèi)外學(xué)者對土壤水分預(yù)測研究取得了一定的成果。研究方法主要分為兩類：(1)以氣象和作物要素與土壤水分相關(guān)關(guān)系為基礎(chǔ)的統(tǒng)計(jì)預(yù)報(bào)方法(經(jīng)驗(yàn)法)，如文獻(xiàn)[2]介紹的利用降雨、蒸發(fā)、氣溫、氣壓等參數(shù)，通過建立數(shù)學(xué)模型對土壤水分變化進(jìn)行估算；文獻(xiàn)[3]系統(tǒng)地給出的多種農(nóng)業(yè)氣象指標(biāo)對水分脅迫的響應(yīng)狀況，建立的包含輻射強(qiáng)度、溫度及土壤水分因子的小麥葉片光合作用模式；美國康奈爾大學(xué)應(yīng)用土壤信息系統(tǒng)，建立的計(jì)算機(jī)模型NSM(newhall simulation model)[4]。(2)從土壤水分平衡方程和土壤水動力學(xué)原理出發(fā)分析未來土壤的水分狀況(理論法)，如文獻(xiàn)[5-6]利用土壤水分指數(shù)消退關(guān)系建立的相對簡單和便于應(yīng)用的經(jīng)驗(yàn)遞推模型，對田間墑情的預(yù)報(bào)效果較好；文獻(xiàn)[7]利用土壤水動力學(xué)模型，對麥田土壤水分進(jìn)行研究，取得了較好的預(yù)測效果；文獻(xiàn)[8]提出的較完整的關(guān)于SPAC(soil-plant-atmosphere-continue)概念，用數(shù)學(xué)模型描述SPAC系統(tǒng)中的水流運(yùn)動過程。

煙田土壤水分預(yù)測是一個較為典型的高度非線性過程，數(shù)理統(tǒng)計(jì)模型很難精確預(yù)測煙田土壤水分，理論建模需要全面考慮影響因素，建模難度較大，很難得到理想的預(yù)測結(jié)果。

本文利用人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)模型，建立形式相對簡單、參數(shù)易于獲取、操作簡單而又能滿足實(shí)際需要的土壤水分預(yù)測方法，對煙葉生產(chǎn)過程管理和煙區(qū)的整體規(guī)劃有一定的指導(dǎo)作用。

1 煙田土壤水分預(yù)測簡化建模

1.1 煙草生長階段

煙草的生長一般分為還苗期、伸根期、旺長期和成熟期4個階段，涼山州煙區(qū)煙草的各個生長階段的時間如表1所示。

表1 涼山州煙草生長階段

煙草在不同的生長階段對水分的反應(yīng)和需求量是不一樣的：(1)伸根期以前煙草對水分的需要量較小，階段耗水量占全生育期耗水總量的16～20%，該期輕度土壤干旱可以確保煙柱根系的發(fā)育；(2)旺長期煙草對水分的需要量最大，反應(yīng)最敏感，階段耗水量占全生育期耗水總量的44～46%，該期干旱對煙葉產(chǎn)量的影響最大；(3)成熟期煙草對水分的需求量趨于減少，階段耗水量占全生育期耗水總量的35～37%，但該期對煙草品質(zhì)的影響較為顯著[9]。

1.2 煙草種植區(qū)域特征

不同煙草種植區(qū)域，氣候特征(年日照數(shù)、年均氣溫、年降水量等)的差別較大，土壤水分的變化規(guī)律也有所不同；即使是同一區(qū)域，也存在地形特征的差異(如有平壩、坡地、山地3種地形)，各種地形的土壤水分差異非常大。但在同一區(qū)域、同一地形條件下，土壤水分受外界因素影響的變化規(guī)律基本相同。

1.3 煙田土壤水分預(yù)測簡化建模思想

由于存在生長階段和區(qū)域性的差異，如果籠統(tǒng)地對煙田土壤水分進(jìn)行建模分析，難度大且無法實(shí)現(xiàn)準(zhǔn)確預(yù)測。這是因?yàn)闊煵萆L階段、區(qū)域和地形等因素對煙田土壤水分的影響無法量化。因此，在同一地區(qū)、同一地形、同一煙草生產(chǎn)階段條件下，土壤水分變化只與氣候變化有關(guān)，在該條件下，煙田土壤水分預(yù)測模型將能簡化，并能提高預(yù)測的準(zhǔn)確性。

2 基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力和處理非線性問題能力，在數(shù)據(jù)分析中具有模型無關(guān)的特性[10-11]。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)由以下4個過程組成：(1)學(xué)習(xí)樣本對的輸入加在神經(jīng)網(wǎng)絡(luò)的輸入端，神經(jīng)元的激活值由輸入層經(jīng)隱含層，在輸出層各神經(jīng)元獲得響應(yīng)的“模式順傳播”過程；(2)按減小希望輸出與實(shí)際輸出的誤差方向，從輸出層向隱含層再向輸入層逐層修正各連接權(quán)值的“誤差逆?zhèn)鞑ァ边^程；(3)由“模式順傳播”過程與“誤差逆?zhèn)鞑ァ边^程的交替進(jìn)行的網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程；(4)網(wǎng)絡(luò)全局誤差趨向極小的學(xué)習(xí)收斂過程。

利用BP神經(jīng)網(wǎng)絡(luò)，只需要分析目標(biāo)地區(qū)的主要土壤水分影響因子，并依據(jù)主要影響因子進(jìn)行分組或數(shù)值量化表示，選取具有普遍代表性的一系列樣本對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得出神經(jīng)網(wǎng)絡(luò)模型參數(shù)，就可以進(jìn)行土壤水分分析[12]。在煙田土壤水分預(yù)測方面，由于煙田土壤水分是一個較為典型的高度非線性過程，很難用標(biāo)準(zhǔn)的數(shù)學(xué)模型對煙田土壤水分進(jìn)行預(yù)測，利用BP神經(jīng)網(wǎng)絡(luò)不需要建立精確的數(shù)學(xué)模型，就能實(shí)現(xiàn)從輸入端到輸出端的非線性映射，建立BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行煙田土壤水分預(yù)測。

2.2 模型輸入層和輸出層變量的確定

土壤水分經(jīng)驗(yàn)計(jì)算公式為[12]：

式中 Q2表示各生長階段單位面積的土壤水分；Δt為生長階段時間；Q1、P、I、S、Et、L分別為相應(yīng)時段內(nèi)的水分初值、降水量、灌水量、徑流量、蒸散發(fā)強(qiáng)度、滲漏量。

BP網(wǎng)絡(luò)本質(zhì)上是一種靜態(tài)網(wǎng)絡(luò)，而煙田土壤水分變化是一個動態(tài)過程。BP網(wǎng)絡(luò)用于土壤水分預(yù)報(bào)時，根據(jù)預(yù)測階段初的土壤水分Q1(實(shí)測值或上一步預(yù)測值)、階段內(nèi)影響土壤水分變化的主要因素預(yù)測階段末的土壤水分Q2，并通過對各個連續(xù)階段的預(yù)測來模擬土壤水分的動態(tài)變化。按照分區(qū)域、分階段建模的思想和數(shù)據(jù)易獲得的原則，在同一區(qū)域、同一階段的條件下，假定灌水量、徑流量、滲漏量為常量，并結(jié)合煙草生產(chǎn)實(shí)踐經(jīng)驗(yàn)，認(rèn)為平均氣溫和日照時間對土壤水分有較大的影響。通過以上分析，在土壤水分預(yù)報(bào)的BP網(wǎng)絡(luò)模型中采用預(yù)測階段初土壤水分(Q1)，階段蒸發(fā)量(E)，平均氣溫(T)，降雨量(P)，日照時間(St)等5個變量作為網(wǎng)絡(luò)輸入；階段末土壤水分Q2即預(yù)測值作為網(wǎng)絡(luò)輸出。通過對網(wǎng)絡(luò)輸入的研究，選取的輸入變量Q1、E、T、P和St相互影響，具有較強(qiáng)的相關(guān)性。

2.3 BP網(wǎng)絡(luò)模型的建立

模型采用3層BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由一個輸入層、一個隱含層和一個輸出層組成，每層含有若干個節(jié)點(diǎn)(也稱單元)，建立的煙田土壤水分預(yù)測的BP網(wǎng)絡(luò)模型如圖1所示。網(wǎng)絡(luò)輸入變量數(shù)n=5，輸出變量數(shù)m=1。在神經(jīng)網(wǎng)絡(luò)中，關(guān)于隱含層節(jié)點(diǎn)數(shù)量的選擇還沒有確切的方法和理論，一般可設(shè)定不同的q值根據(jù)訓(xùn)練結(jié)果進(jìn)行選擇。本文首先根據(jù)BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)設(shè)計(jì)的經(jīng)驗(yàn)公式式(2)[13]給定隱層節(jié)點(diǎn)數(shù)q的范圍為：

圖1 煙田水分BP預(yù)測模型

式中 n為輸入層單元數(shù)；m為輸出層單元數(shù)； 為[1,10]之間的常數(shù)。

然后在該范圍內(nèi)通過試錯法選取最佳的隱含層單元數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練[14]，選取信號最小的神經(jīng)元數(shù)目建立模型。

式中 u為自變量的偏移量。隱含層的輸出信息傳到輸出層，可得到最終輸出結(jié)果為：

以上過程為網(wǎng)絡(luò)學(xué)習(xí)的信息正向傳播過程，另一個過程為誤差反向傳播過程。如果網(wǎng)絡(luò)輸出與期望輸出間存在誤差，則將誤差反向傳播，利用式(6)調(diào)節(jié)網(wǎng)絡(luò)權(quán)重和閾值：

式中 Yp為第p個訓(xùn)練樣本對應(yīng)的網(wǎng)絡(luò)輸出；tp為第p個訓(xùn)練樣本對應(yīng)的期望輸出。反復(fù)運(yùn)用以上兩個過程，直至網(wǎng)絡(luò)輸出與期望輸出間的誤差滿足一定的要求。

3 應(yīng)用舉例

本文以涼山會理山地地區(qū)煙草生長的旺長期為例，對煙田土壤水分預(yù)測模型進(jìn)行驗(yàn)證。收集會理山地地區(qū)1971～2008年旺長期(6月份)的38組歷史數(shù)據(jù)作為樣本數(shù)據(jù)，如表2所示。

表2 樣本數(shù)據(jù)

3.1 訓(xùn)練與結(jié)果

圖2 訓(xùn)練誤差隨學(xué)習(xí)次數(shù)的變化曲線

在表2中，1971～2003年的前33組數(shù)據(jù)作為訓(xùn)練樣本，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；2004～2008年的后5組作為測試樣本，用于測試獲得的神經(jīng)網(wǎng)絡(luò)煙田土壤水分預(yù)測模型。

利用Matlab6.5進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時，取學(xué)習(xí)速率lr0.05，動量常數(shù)a=0.9，最大訓(xùn)練步數(shù)epochs 2 000，控制誤差goal=0.01。訓(xùn)練之前對輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，便于網(wǎng)絡(luò)快速收斂。由式(2)得出隱層節(jié)點(diǎn)數(shù)的范圍為2～12，經(jīng)過試錯法訓(xùn)練比較選取隱層的節(jié)點(diǎn)數(shù)q為8，因此最終采用的網(wǎng)絡(luò)結(jié)構(gòu)為BP(5,8,1)。訓(xùn)練誤差隨學(xué)習(xí)次數(shù)的變化曲線如圖2所示。當(dāng)訓(xùn)練步數(shù)為163步時，誤差基本趨向穩(wěn)定，網(wǎng)絡(luò)收斂性好，達(dá)到最好訓(xùn)練效果。

3.2 網(wǎng)絡(luò)模型仿真預(yù)測

神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練好后，用2004～2008年的5組測試數(shù)據(jù)對模型進(jìn)行測試，預(yù)測結(jié)果如表3所示。神經(jīng)網(wǎng)絡(luò)對土壤水分預(yù)測值與實(shí)測值的誤差在9%左右，說明網(wǎng)絡(luò)訓(xùn)練成功，具有較好的泛化能力。

表3 網(wǎng)絡(luò)預(yù)測結(jié)果

4 結(jié) 束 語

(1)研究了煙草生長階段和種植區(qū)域特征與煙田土壤水分的關(guān)系，提出了分區(qū)域、分階段建立煙田土壤水分預(yù)測簡化模型的思想；

(2)由于煙田土壤水分預(yù)測是一個較為典型的高度非線性過程，提出了利用BP神經(jīng)網(wǎng)絡(luò)建立煙田土壤水分預(yù)測模型的方法，確定目標(biāo)區(qū)域階段土壤水分初值、蒸發(fā)量、月均氣溫、日照、降雨量為輸入層，階段土壤水分為輸出層，實(shí)現(xiàn)了從輸入端到輸出端的非線性映射。

(3)應(yīng)用結(jié)果表明，預(yù)測模型具有較好的預(yù)測效果，對煙區(qū)種植的規(guī)劃尤其是確定施肥種類、數(shù)量以及煙草土傳性病害預(yù)測預(yù)報(bào)起到了一定的指導(dǎo)作用。同時，該方法也可廣泛應(yīng)用于其他農(nóng)作物種植區(qū)域土壤水分的預(yù)測。

[1]馬履一. 國內(nèi)外土壤水分研究現(xiàn)狀與進(jìn)展[J]. 世界林業(yè)研究,.1997, (5): 26-32.

MA Lu-yi. Research on Soil Water Parameters in China and Abroad[J]. World Forestry Research, 1997, (5): 26-32 .

[2]于東升, 史學(xué)正. 我國土壤水分狀況的估算[J]. 自然資源學(xué)報(bào), 1998, 13(3): 229-233.

YU Dong-sheng, SHI Xue-zheng. Tentative assessment of soil moisture regime in china[J]. Journal of Natural Resources, 1998, 13(3): 229-233.

[3]劉建棟, 王馥棠, 于 強(qiáng), 等. 華北地區(qū)冬小麥葉片光合作用模型在農(nóng)業(yè)干旱預(yù)測中的應(yīng)用研究[J]. 應(yīng)用氣象學(xué)報(bào), 2003, (4): 469-478.

LIU Jian-dong, WANG Fu-tang, YU Qiang, et al.Application of the leaf photosynthesis model for forecasting effect of drought on winter wheat in north china plain[J].Quarterly Journal of Applied Meteorology, 2003, (4):469-478.

[4]Armand R, WAMBEKE V. The Newhall simulation mModel for estimating soil moisture & temperature regimes [D].New York: Cornell University, Ithaca, 2000.

[5]尚松浩, 雷志棟, 楊詩秀. 冬小麥田間墑情預(yù)報(bào)的經(jīng)驗(yàn)?zāi)Ｐ蚚J].農(nóng)業(yè)工程學(xué)報(bào), 2000, 16(5): 31-33.

SHANG Song-hao, LEI Zhi-dong, YANG Shi-xiu.Empirical model for soil moisture forecast in winter wheat field[J]. Transactions of the Chinese Society of Agricultural Engneering, 2000, 16(5): 31-33.

[6]尚松浩, 毛曉敏, 雷志棟, 等. 冬小麥田間墑情預(yù)報(bào)的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 水利學(xué)報(bào), 2002, 5(4): 60-63.

SHANG Song-hao, MAO Xiao-min, LEI Zhi-dong, et al.Back-propagation neural network model for soil moisture forecast of winter wheat field[J]. Journal of Hydraulic Engineering, 2002，5(4): 60-63.

[7]周良臣. 利用土壤水動力學(xué)模型預(yù)測麥田土壤水分的研究[J]. 節(jié)水灌溉, 2007, 4(3): 10-17.

ZHOU Liang-chen. Study on estimation of soil-water content by using soil-water dynamics model[J]. Water Saving Irrigation, 2007, 4(3): 10-17.

[8]高如泰, 陳煥偉, 李保國, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的土壤水力學(xué)參數(shù)預(yù)測[J]. 土壤通報(bào), 2005, 36 (5): 641-646

GAO Ru-tai, CHEN Huan-wei, LI Bao-guo. Prediction of soil hydraulic characteristic parameters based on bp neural network[J]. Chinese Journal of Soil Science. 2005, 36 (5):641-646.

[9]龍 博. 煙草灌溉技術(shù)[J]. 農(nóng)村實(shí)用技術(shù), 2006, (5): 35-36.

LONG Bo. Tobacco irrigation technology[J]. Applicable Technologies for Rural Areas, 2006, (5): 35-36.

[10]WANG Chin-bin, CHEN Yuh-Jen, CHEN Yuh-Min.Application of ART neural network to development of technology for functional feature-based reference design retrieval[J]. Computer in industry, 2005, 56: 428-441.

[11]KHALIL SHIHAB. A backpropagation neural network for computer network security[J]. Journal of Computer Science, 2006, 2 (9): 710-715.

[12]劉全明, 陳亞新, 魏占明, 等. 基于人工智能計(jì)算技術(shù)的區(qū)域性土壤水鹽環(huán)境動態(tài)監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào),2006, 22(10): 1-6.

LIU Quan-ming, CHEN Ya-xin, WEI Zhan-min, et al.Dynamatic monitoring of zonal soil water-salt environment based on artificial intelligent technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006,22(10): 1-6.

[13]管新建, 李占斌, 李勉勵. 基于BP神經(jīng)網(wǎng)絡(luò)的淤地壩次降雨泥沙淤積預(yù)測[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 35 (9): 221-225.

GUAN Xin-jian, LI Zhan-bin, LI Mian-li. Sediment deposition prediction of warping dam in single event rainfall based on BP neural network[J]. Journal of Northwest A & F University(Natural Science Edition).2007, 35 (9): 221-225.

[14]袁曾任. 人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M]. 北京: 清華大學(xué)出版社, 1999.

YUAN Zeng-ren. Artificial Neural Network and Application[M]. Beijing: Tsinghua University Press, 1999.

編 輯 蔣 曉

Research on Prediction of Tobacco Field Soil Moisture Based on BP Neural Network

YIN Jian-kang1,2, CHEN Chang-hua1, XING Xiao-jun2, TAN Jun1, YAO Jin1

(1. School of Manufacturing Science and Engineering, Sichuan University Chengdu 610065;2. Tobacco Companies of Liangshan Xichang Sichuan 615000)

A method to simplify the model for forecasting the soil moisture of tobacco field by aiming at the same growing stage and area is proposed and a model to forecast the soil moisture of tobacco field based on BP neural network is established, in which the temperature, sunlight, rainfall, evaporation, and initial moisture of soil at a stage beginning are taken as the input and the soil moisture of tobacco field as the output. The research result shows that the prediction model of soil moisture has a good accuracy and has a wide range of adaptability.

BP neural network; prediction model; soil moisture; tobacco

S152.7

A

10.3969/j.issn.1001-0548.2010.06.018

2009- 10- 27 ;

2010- 08- 16

國家煙草專賣局科技基金(110200801006)

尹健康(1969- )，男，博士生，高級工程師，主要從事智能控制、生產(chǎn)過程管理與決策、煙草科研方面的研究.

·計(jì)算機(jī)工程與應(yīng)用·