基于改進Elman神經(jīng)網(wǎng)絡的水稻長勢預測系統(tǒng)

周鶴 曹永忠

摘? ?要：長期以來，人們對水稻長勢情況的判斷多出自于經(jīng)驗，為了更好地定量描述各生育期水稻長勢，給出了水稻生長量定義，結(jié)合環(huán)境因素對長勢的影響，運用改進的Elman神經(jīng)網(wǎng)絡來發(fā)現(xiàn)其變化規(guī)律。經(jīng)過和幾種標準神經(jīng)網(wǎng)絡模型對比，改進后的預測算法效果更佳，誤差更小，更加貼合真實數(shù)據(jù)。在此基礎上搭建水稻長勢預測系統(tǒng)，為水稻的科學管理和精確估產(chǎn)提供幫助。

關(guān)鍵詞：水稻長勢;Elman神經(jīng)網(wǎng)絡;遺傳算法;預測系統(tǒng)

我國作為世界主要稻米生產(chǎn)國，其水稻安全生產(chǎn)應得到充分關(guān)注。文章在前人研究環(huán)境因子對水稻長勢的影響的基礎上，著重研究了不同周期內(nèi)長勢的預測，并且根據(jù)周期內(nèi)長勢和最后產(chǎn)量的關(guān)系，為水稻的長勢預測提供新的思路。

文章組織如下：第1節(jié)為相關(guān)工作，第2節(jié)介紹了水稻不同生育期評價，第3節(jié)主要介紹改進的Elman神經(jīng)網(wǎng)絡，第4節(jié)是預測系統(tǒng)的實現(xiàn)，最后一節(jié)進行了總結(jié)與展望。

1? ? 相關(guān)工作

近年來，隨著人工智能的大熱，國內(nèi)外學者紛紛把人工智能的方法應用到作物生長預測及其相關(guān)領域中，對這種復雜的生長問題取得了較好效果。徐俊增等[1]根據(jù)射陽縣氣象預報資料，把通過Penman-Monteith公式計算出的ETo作為預期輸出，并將天氣狀況和風力風速進行標量化，選取天氣預報中溫度、天氣陰晴指數(shù)、風力等級等可測因子，建立了參考作物BP-ETo神經(jīng)網(wǎng)絡預測模型。尚松浩等[2]考慮多個因素對土壤貯水量的影響和土壤貯水量動態(tài)變化過程，使用北京東南郊冬小麥土壤水分和氣象觀測資料為數(shù)據(jù)源，建立了基于BP神經(jīng)網(wǎng)絡的冬小麥田間墑情預報模型。

本文以江蘇省揚州大學農(nóng)學院水稻灌溉區(qū)試驗田為研究區(qū)域，以試驗區(qū)土壤等墑情數(shù)據(jù)和天氣數(shù)據(jù)為環(huán)境數(shù)據(jù)集，結(jié)合水稻在不同周期末測量出的長勢數(shù)據(jù)，研究環(huán)境因素對水稻長勢的綜合影響。并提出了一種基于改進Elman神經(jīng)網(wǎng)絡的水稻生長預測模型，著重對傳統(tǒng)模型算法收斂速度慢且易陷于局部極值而無法全局搜索的缺陷進行了改進，使得Elman神經(jīng)網(wǎng)絡性能達到最佳，提高了預測模型的精準度。

2? ? 水稻不同生育期評價

水稻在時間片區(qū)內(nèi)長得好不好要由農(nóng)業(yè)上的參數(shù)指標來進行評價，我們把這描述量定義為生長量R。

水稻生育周期大致劃分的時間如表1所示。

3? ? 改進的Elman神經(jīng)網(wǎng)絡

3.1? 標準Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡由Jeffrey L·Elman[3-4]于1990年提出，它在傳統(tǒng)BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)的基礎上，在隱含層增加一個承接層，作為一步延時算子，達到記憶的目的，這樣的結(jié)構(gòu)使得Elman神經(jīng)網(wǎng)絡對歷史數(shù)據(jù)具有敏感性，有利于動態(tài)過程的建模。

3.2? 改進Elman神經(jīng)網(wǎng)絡的流程

改進Elman神經(jīng)網(wǎng)絡流程的實現(xiàn)主要包括以下幾個步驟。

（1）編碼方式。水稻生長預測模型的權(quán)值多為小數(shù)，為了便于進行復雜空間的遺傳算法的搜索與構(gòu)建，本文采用實數(shù)編碼。

（2）適應度函數(shù)的確定。個體的優(yōu)劣性用適應度函數(shù)來衡量，適應度函數(shù)值越大，表示個體越優(yōu)秀，才有機會遺傳到下一代種群中。優(yōu)化的核心是使網(wǎng)絡的輸出與實際測量值的方差與適應度函數(shù)相結(jié)合。使用公式（1）作為誤差函數(shù)，即：

計算出的誤差值越小，網(wǎng)絡訓練效果越好，則適應度值越大。借用Elman神經(jīng)網(wǎng)絡的誤差函數(shù)定義適應度函數(shù)為：

式（2）中，yd為網(wǎng)絡實際輸出值，y為期待輸出，避免分母為0，ξ為較小的一個常數(shù)。

（3）遺傳操作的確定，選擇、交叉或變異。

（4）按照適應度函數(shù)公式（2）計算出個體適應度。

（5）按照（3）的遺傳操作策略對種群進行操作，得到子代。

（6）判斷種群是否滿足性能指標或達到最大迭代次數(shù)，若是則結(jié)束，若不是就返回步驟（3）來繼續(xù)優(yōu)化，直到滿足條件。

4? ? 水稻長勢預測系統(tǒng)

以2018年的環(huán)境數(shù)據(jù)和水稻生長數(shù)據(jù)為例，數(shù)據(jù)經(jīng)過異常處理和歸一化處理后輸入模型，建立起模型。

在改進Elman神經(jīng)網(wǎng)絡構(gòu)建水稻生長長勢預測模型的基礎上搭建出原型系統(tǒng)。預測系統(tǒng)架構(gòu)上大致可以分為4個部分。

（1）數(shù)據(jù)采集端：主要負責對溫濕度、光照、水位、土壤酸堿、含氮量等環(huán)境參數(shù)的采集與監(jiān)控。

（2）數(shù)據(jù)交互端：包括傳感器終端和匯聚網(wǎng)關(guān)的交互，匯聚網(wǎng)關(guān)與Socket中間件交互、Socket中間件和后臺Web服務交互。

（3）后臺預測服務端：主要負責處理采集來的環(huán)境監(jiān)測數(shù)據(jù)，并根據(jù)需求調(diào)用預測模型來預測出對應天數(shù)的生長量值。

（4）顯示終端：主要負責展示設備狀態(tài)、環(huán)境指標歷史走勢與水稻長勢的預測結(jié)果。

點擊生長預測功能標簽，即可進入水稻生長預測的界面，如圖1所示，選定預測的時間和所處的生育階段，系統(tǒng)將自動把本季此時之前的環(huán)境數(shù)據(jù)和上一個階段的生長量輸入改進Elman神經(jīng)網(wǎng)絡模型計算，紫色線則為對應水稻預測的效果圖。

5? ? 結(jié)語

水稻的生長是一個相對復雜的動態(tài)過程，受到光照、溫度、水分等多種環(huán)境因子的影響。為了達到精準預測各生育期水稻長勢的目的，在前人研究的基礎上，提出了一種基于改進Elman神經(jīng)網(wǎng)絡的水稻生長模型，并將該方法應用到水稻生長預測方面，構(gòu)建了整套水稻生長預測原型系統(tǒng)。

所構(gòu)建的原型系統(tǒng)雖然基本取得了預期的效果，但是由于本人能力和實驗條件有限，所以本原型系統(tǒng)依然有一些缺陷需要進一步改進完善。

[參考文獻]

[1]徐俊增，彭世彰，張瑞美，等.基于氣象預報的參考作物蒸發(fā)蒸騰量的神經(jīng)網(wǎng)絡預測模型[J].水利學報，2006（3）：376-379.

[2]尚松浩，雷志棟，楊詩秀.冬小麥田間墑情預報的經(jīng)驗模型[J].農(nóng)業(yè)工程學報，2000，16（5）：31-33.

[3]WANG J，ZHANG W，LI Y，et al.Forecasting wind speed using empirical mode decomposition and Elman neural network[J].Applied Soft Computing，2014，23（Complete）：452-459.

[4]RA?IT K?KER，RA?IT K?KER，RA?IT K?KER.A genetic algorithm approach to a neural-network-based inverse kinematics solution of robotic manipulators based on error minimization[J].Information Sciences，2013，222（3）：528-543.