基于BP神經(jīng)網(wǎng)絡(luò)的一季稻發(fā)育期預(yù)測模型

樊 闖，趙子皓，張雪松，楊沈斌

(南京信息工程大學(xué) 應(yīng)用氣象學(xué)院，江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室，氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，江蘇 南京 210044)

作物發(fā)育期預(yù)報(bào)是針對(duì)作物某一發(fā)育期的到來日期進(jìn)行的一種農(nóng)業(yè)氣象預(yù)報(bào)。準(zhǔn)確及時(shí)的發(fā)育期預(yù)報(bào)可以為農(nóng)業(yè)生產(chǎn)部門適時(shí)、科學(xué)地進(jìn)行田間管理、合理引種，以及開展農(nóng)作物各生長發(fā)育時(shí)期的農(nóng)業(yè)氣象條件鑒定提供依據(jù)[1]。作物發(fā)育期預(yù)報(bào)作為一項(xiàng)基礎(chǔ)且重要的農(nóng)業(yè)氣象預(yù)報(bào)，與農(nóng)產(chǎn)品的產(chǎn)量形成和品質(zhì)緊密聯(lián)系，事關(guān)農(nóng)業(yè)氣象防災(zāi)減災(zāi)和農(nóng)業(yè)可持續(xù)發(fā)展工作全局。

在土壤條件、栽培技術(shù)和作物品種的生物學(xué)特性相對(duì)穩(wěn)定的情況下，作物的發(fā)育進(jìn)程主要受氣象要素，尤其是溫度或積溫的影響[2]。早在1735年，研究人員就發(fā)現(xiàn)，作物完成某一生育階段的日平均氣溫累計(jì)值基本保持在一定范圍內(nèi)，并由此提出積溫理論[3]。1923年，有效溫度的概念提出[4]。自此，有效積溫便廣泛地應(yīng)用于作物發(fā)育期預(yù)報(bào)、作物產(chǎn)量形成和作物病蟲害發(fā)生發(fā)展預(yù)測等方面[5]，并成為作物模型中必不可少的變量[6]。目前，積溫仍處于作物發(fā)育期模擬的核心地位。例如，EPIC[7-8]、CERES-Wheat[9]、ALMANAC[10]等模型仍然主要依靠熱量積累模擬作物物候發(fā)育階段。20世紀(jì)80年代以來，我國的農(nóng)業(yè)氣象研究人員也總結(jié)了許多農(nóng)作物發(fā)育期的經(jīng)驗(yàn)統(tǒng)計(jì)預(yù)報(bào)方法，其中，積溫法應(yīng)用得最廣泛[11-12]。在積溫法的基礎(chǔ)上，李昊宇等[13]綜合氣候適宜度，統(tǒng)籌考慮溫度、土壤水分和降水對(duì)冬小麥不同發(fā)育期的影響，開展冬小麥發(fā)育期預(yù)報(bào)。

作物的發(fā)育速度與溫度呈非線性關(guān)系。受制于溫度影響函數(shù)的局限性，目前所總結(jié)的大部分作物發(fā)育規(guī)律僅適用于適宜溫度區(qū)間的作物發(fā)育期模擬，當(dāng)出現(xiàn)高溫脅迫時(shí)，作物發(fā)育期的模擬誤差較大[14-15]。機(jī)器學(xué)習(xí)模型擅于處理非線性問題，在作物物候發(fā)育模擬中效果較好[16]。BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network)是機(jī)器學(xué)習(xí)模型人工神經(jīng)網(wǎng)絡(luò)算法研究中最成熟的一種，廣泛用于函數(shù)擬合、模擬預(yù)測、圖像識(shí)別等學(xué)科領(lǐng)域中。梁帆等[17]將株高、葉冠投影面積等參數(shù)輸入BP神經(jīng)網(wǎng)絡(luò)模擬油菜的成熟度，準(zhǔn)確度達(dá)95%；張久權(quán)等[18]使用神經(jīng)網(wǎng)絡(luò)、內(nèi)插法和逐步回歸3種方法構(gòu)建模型，預(yù)測大豆生長階段的具體日期，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確度最高；Elizondo等[19]將每日的最高、最低氣溫和光照時(shí)間等要素輸入BP神經(jīng)網(wǎng)絡(luò)，預(yù)測大豆的開花時(shí)間，模擬誤差小于1 d。此外，BP神經(jīng)網(wǎng)絡(luò)在害蟲預(yù)測、作物需水量、蒸散量模擬等方面也都展現(xiàn)出較為理想的效果[20-23]。

本研究以長江中下游地區(qū)常年主栽一季稻品種為研究對(duì)象，利用多年氣象數(shù)據(jù)和農(nóng)業(yè)氣象觀測資料，基于BP神經(jīng)網(wǎng)絡(luò)建模研究方法，研究一季稻發(fā)育期的模擬預(yù)測技術(shù)，以期克服作物發(fā)育對(duì)溫度非線性響應(yīng)的局限，為開展農(nóng)業(yè)氣象防災(zāi)減災(zāi)業(yè)務(wù)、指導(dǎo)一季稻生產(chǎn)管理、提高作物模型模擬應(yīng)用水平、服務(wù)鄉(xiāng)村振興等提供科學(xué)依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源與處理

本文所使用的數(shù)據(jù)資料來源于我國氣象站點(diǎn)1952—2016年共65 a的常規(guī)氣象要素觀測數(shù)據(jù)和對(duì)應(yīng)站點(diǎn)一季稻的農(nóng)業(yè)氣象觀測數(shù)據(jù)。研究區(qū)包括長江中下游一季稻主要種植區(qū)的湖北、安徽、江蘇、浙江4省共30個(gè)站點(diǎn)。根據(jù)農(nóng)業(yè)氣象物候期觀測數(shù)據(jù)，計(jì)算每個(gè)物候發(fā)育階段所對(duì)應(yīng)的日平均溫度積溫、日最高溫度有效積溫、日最低溫度有效積溫、累計(jì)降水量、累計(jì)相對(duì)濕度、累計(jì)日照時(shí)數(shù)，獲得后續(xù)模型建立所需的基礎(chǔ)數(shù)據(jù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

1.2.1 模型原理

BP神經(jīng)網(wǎng)絡(luò)的模型包含輸入層、輸出層、中間層3層結(jié)構(gòu)，以及輸入信號(hào)的正向傳播和誤差(Error)的反向傳播兩個(gè)過程。當(dāng)完成一次模擬后，模型將誤差向后傳遞至輸入層，并改變各步驟相應(yīng)的權(quán)值后重新訓(xùn)練模型，直到輸出結(jié)果的誤差在模型的預(yù)期范圍之內(nèi)，模型停止訓(xùn)練[24]。

1.2.2 模型的構(gòu)建

首先，建立有效積溫模型。將各站物候期資料等分為訓(xùn)練集與測試集，以O(shè)ryza2000作物模型采用的8 ℃作為下限溫度，計(jì)算訓(xùn)練集各物候發(fā)育階段內(nèi)有效積溫均值，作為該站一季稻完成該物候期所需要的有效積溫，再計(jì)算測試集各站點(diǎn)各年份各物候發(fā)育階段達(dá)到有效積溫所需天數(shù)，得到測試集物候發(fā)育時(shí)間的模擬結(jié)果，以驗(yàn)證有效積溫模型的效能。

其次，應(yīng)用Matlab2018a軟件建立基于BP神經(jīng)網(wǎng)絡(luò)的一季稻發(fā)育期模擬模型。輸入自變量包括有效積溫、累計(jì)降水量、平均相對(duì)濕度、累計(jì)日照時(shí)數(shù)，以及利用有效積溫模型預(yù)測得到的物候期。在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時(shí)，選取每個(gè)站點(diǎn)80%的年份作為訓(xùn)練集，每個(gè)站點(diǎn)剩余的20%年份作為測試集。利用式(1)[25]選取中間層節(jié)點(diǎn)數(shù)目。選取Sigmoid函數(shù)作為核函數(shù)，當(dāng)模擬誤差到達(dá)允許范圍或循環(huán)達(dá)到設(shè)定次數(shù)時(shí)自動(dòng)停止訓(xùn)練。

(1)

式(1)中：l是中間層的節(jié)點(diǎn)數(shù)目；m是輸入層的節(jié)點(diǎn)數(shù)目；n是輸出層的節(jié)點(diǎn)數(shù)目；a是調(diào)節(jié)數(shù)，取值范圍為1～10。

1.3 模型評(píng)價(jià)指標(biāo)

采用均方根誤差(RMSE)、相關(guān)系數(shù)(r)、平均絕對(duì)誤差(MAE)對(duì)模擬值與實(shí)測值的符合度進(jìn)行分析與評(píng)價(jià)。RMSE能反映模擬值與實(shí)測值的平均偏離程度，即總誤差情況，其值越小，說明模擬效果越好；r的取值范圍為[0，1]，值越大，說明模擬值與實(shí)測值的相關(guān)程度越高；MAE能直觀描述模擬值與實(shí)測值的偏差。RMSE、MAE的單位均與預(yù)測變量一致。

2 結(jié)果與分析

2.1 研究區(qū)氣象條件與水稻生育期分布

基于相關(guān)數(shù)據(jù)，測算1952—2016年研究區(qū)一季稻生育期內(nèi)氣象要素(氣溫、降水量、相對(duì)濕度和日照時(shí)數(shù))的多年均值、氣候傾向率。研究區(qū)一季稻生育期內(nèi)年均溫為19.6～26.7 ℃，其中，湖北東南部的年均溫較高；溫度變率為-0.07～0.10 ℃·a-1，大部分地區(qū)存在升溫趨勢；多年降水量均值為276.1～570.7 mm，其中，湖北西部降水較多；降水變率介于-10.36～13.03 mm·a-1，湖北中部、東部，浙江大部降水量總體下降，江蘇北部降水量呈增加趨勢；相對(duì)濕度為73.2%～82.2%，年相對(duì)濕度變率為-0.76%～0.03%，大部分站點(diǎn)的相對(duì)濕度呈下降趨勢；日照時(shí)數(shù)為4.3～6.9 h，日照時(shí)數(shù)變率為-0.06～0.02 h·a-1，大部分站點(diǎn)的日照時(shí)數(shù)呈下降趨勢。

1952—2016年，研究區(qū)一季稻主要物候期的空間分布特征相似，播種、抽穗、成熟時(shí)間都呈現(xiàn)西早東晚的總體特點(diǎn)，東西部地區(qū)同一物候期最大相差可達(dá)50 d以上，這一差異可能與東西部降水分配不均有關(guān)。各地一季稻的平均播種時(shí)間為5月1日，平均出苗時(shí)間為5月7日，平均移栽時(shí)間為6月9日，平均拔節(jié)時(shí)間為7月21日，平均抽穗時(shí)間為8月17日，平均成熟時(shí)間為9月24日。

2.2 一季稻發(fā)育期模擬模型

2.2.1 有效積溫模型

將利用有效積溫模型得到的物候出現(xiàn)時(shí)間的模擬值與觀測值進(jìn)行對(duì)比分析(表1)，可以看出：研究區(qū)整體各物候期出現(xiàn)時(shí)間的模擬值與觀測值的均方根誤差稍大，但相關(guān)性較好[r值全部達(dá)到0.75以上，且均通過極顯著水平(P<0.01)的檢驗(yàn)]。具體到各物候期來說：出苗時(shí)間的MAE最小，僅為1.6 d；但移栽時(shí)間的MAE較大，為6.4 d，不能滿足農(nóng)業(yè)氣象業(yè)務(wù)需求。上述結(jié)果說明，利用有效積溫模型模擬預(yù)測一季稻物候發(fā)育期具有可行性，但仍需改進(jìn)。

表1 有效積溫模型的評(píng)價(jià)結(jié)果

2.2.2 BP神經(jīng)網(wǎng)絡(luò)模型

經(jīng)測算，本研究中BP神經(jīng)網(wǎng)絡(luò)的中間層節(jié)點(diǎn)數(shù)為20～30個(gè)。設(shè)置模型訓(xùn)練次數(shù)為15萬次。將有效積溫、有效積溫模型模擬結(jié)果分為訓(xùn)練集與測試集，輸入BP神經(jīng)網(wǎng)絡(luò)模型，建立溫度模型(T模型)；將累計(jì)降水量作為自變量加入到T模型中，建立溫度-降水(T-P)模型；將相對(duì)濕度作為自變量加入到T模型中，建立溫度-相對(duì)濕度(T-RH)模型；將日照時(shí)數(shù)作為自變量加入到T模型中，建立溫度-日照時(shí)數(shù)(T-S)模型。對(duì)以上4種模型訓(xùn)練得到的各發(fā)育期天數(shù)輸出值進(jìn)行反歸一化，利用觀測值進(jìn)行驗(yàn)證。

將BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的模型評(píng)價(jià)結(jié)果整理于表2。與有效積溫模型相比，4種模型對(duì)5個(gè)發(fā)育階段的模擬評(píng)價(jià)指標(biāo)都有明顯改善，相關(guān)系數(shù)(r)均在0.86以上，且全部通過極顯著(P<0.01)水平的檢驗(yàn)。與T、T-P、T-S模型相比，T-RH模型的RMSE、MAE值更小，且擬合精度最高(決定系數(shù)R2都在0.93以上，圖1)。

表2 BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集和測試集上的模型評(píng)價(jià)結(jié)果

a，播種-出苗；b，出苗-移栽；c，移栽-拔節(jié)；d，拔節(jié)-抽穗；e，抽穗-成熟。圖2同。a， Sowing-emergence； b， Emergence-transplanting； c， Transplanting-jointing； d， Jointing-heading； e， Heading-mature. The same as in Fig.2.圖1 T-RH模型在訓(xùn)練集上的擬合效果Fig.1 Fitting effect of T-RH model on training set

各模型在測試集上各評(píng)價(jià)指標(biāo)的變化與訓(xùn)練集上基本一致，同樣以T-RH模型的表現(xiàn)最好(圖2)。

圖2 T-RH模型在測試集上的擬合效果Fig.2 Fitting effect of T-RH model on test set

2.3 最優(yōu)模型的參數(shù)優(yōu)化

以T-RH模型作為選定的最優(yōu)模型，繼續(xù)對(duì)其參數(shù)進(jìn)行優(yōu)化。

2.3.1 中間層節(jié)點(diǎn)數(shù)的調(diào)試

將模型訓(xùn)練次數(shù)設(shè)置為10萬次，改變模型中間層節(jié)點(diǎn)數(shù)為1～100個(gè)，輸出模型訓(xùn)練集和測試集的RMSE，計(jì)算不同節(jié)點(diǎn)數(shù)時(shí)模型RMSE的平均值(圖3)。移栽-拔節(jié)階段，隨著模型中間層節(jié)點(diǎn)數(shù)的增加，訓(xùn)練集的RMSE先迅速減小，說明隨著節(jié)點(diǎn)數(shù)的增加，模型的學(xué)習(xí)能力逐漸增強(qiáng)，當(dāng)中間層節(jié)點(diǎn)數(shù)達(dá)到10個(gè)以上后，RMSE趨于穩(wěn)定；但在測試集上，隨著中間層節(jié)點(diǎn)數(shù)的增加，RMSE總體呈增大趨勢。這說明，隨著中間層節(jié)點(diǎn)數(shù)的增加，模型的泛化能力降低；因此，在移栽-拔節(jié)階段，中間層節(jié)點(diǎn)數(shù)不宜過多。參照式(1)計(jì)算得到，移栽-拔節(jié)階段中間層節(jié)點(diǎn)數(shù)的最小值為20個(gè)?？紤]到模型的學(xué)習(xí)能力和泛化能力的平衡，即以此值作為該發(fā)育階段的最佳中間層節(jié)點(diǎn)數(shù)。

a、b，移栽-拔節(jié)；c、d，拔節(jié)-抽穗；e、f，抽穗-成熟。a、c、e，訓(xùn)練集；b、d、f，測試集。圖4同。a， b， Transplanting-jointing； c， d， Jointing-heading； e， f， Heading-mature. a， c， e， Training set； b， d， f， Test set.The same as in Fig.4.圖3 不同中間層節(jié)點(diǎn)數(shù)的模型評(píng)價(jià)結(jié)果Fig.3 Evaluation result of models with different number of nodes in middle layers

同理，確定拔節(jié)-抽穗、抽穗-成熟階段的最佳中間層節(jié)點(diǎn)數(shù)均為30個(gè)。

2.3.2 模型訓(xùn)練次數(shù)的調(diào)試

在確定最佳中間層節(jié)點(diǎn)數(shù)后，對(duì)模型訓(xùn)練1萬～20萬次，分別輸出模型訓(xùn)練集、測試集的RMSE，以及模型訓(xùn)練過程中的輸出結(jié)果誤差(Error)(圖4，為更好地顯示收斂過程，只展示部分訓(xùn)練次數(shù)的結(jié)果)。RMSE能在1萬次訓(xùn)練之內(nèi)迅速收斂，Error值在20次訓(xùn)練內(nèi)迅速收斂?？紤]到模型輸出結(jié)果的穩(wěn)定性和計(jì)算速度的平衡，最終確定移栽-拔節(jié)、拔節(jié)-抽穗、抽穗-成熟階段模型的訓(xùn)練次數(shù)分別為2萬、3萬、3萬次。

圖4 不同訓(xùn)練次數(shù)的模型評(píng)價(jià)結(jié)果Fig.4 Evaluation result of models with different training times

2.4 最優(yōu)模型的模擬分析

用經(jīng)過BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化后的最優(yōu)模型，對(duì)一季稻發(fā)育期開展模擬。除出苗-移栽、移栽-拔節(jié)階段有1～2個(gè)站點(diǎn)的MAE在2～3 d外，其他地區(qū)一季稻各發(fā)育期的MAE都小于2 d，模型預(yù)測精度完全可以滿足農(nóng)業(yè)氣象業(yè)務(wù)不超過5 d的需求。經(jīng)過參數(shù)優(yōu)化后，T-RH模型的模擬效果進(jìn)一步提升(表3)，對(duì)一季稻各發(fā)育期預(yù)測模擬值的MAE都小于1 d。

3 結(jié)論與討論

農(nóng)作物產(chǎn)量受關(guān)鍵生育期內(nèi)氣象災(zāi)害的影響很大[26-27]。同時(shí)，農(nóng)業(yè)生產(chǎn)活動(dòng)需要結(jié)合作物發(fā)育進(jìn)行合理的安排和布局。溫度作為熱量的度量，是影響農(nóng)作物發(fā)育期最重要的環(huán)境因子[28]。隨著積溫學(xué)說的發(fā)展，溫度這一指標(biāo)在農(nóng)業(yè)生產(chǎn)上得到更加廣泛的應(yīng)用[29-30]。積溫穩(wěn)定性假說與發(fā)育模型的線性程度關(guān)系密切，將不穩(wěn)定的線性積溫模型應(yīng)用在發(fā)育期預(yù)報(bào)中可能會(huì)形成較大的誤差[28]?，F(xiàn)代農(nóng)業(yè)對(duì)作物發(fā)育期的精準(zhǔn)預(yù)報(bào)提出了更高的要求。隨著作物模擬技術(shù)日趨成熟，以積溫為核心的作物發(fā)育期預(yù)報(bào)作為構(gòu)建作物生長發(fā)育機(jī)理模型的一個(gè)重要模塊，直接影響作物模型的預(yù)測精度和有效性。目前，此類模型中遇到的一個(gè)共性問題是參數(shù)較多。如CERES-rice模型[31]，該模型用累積生長度日(GDD)來描述水稻發(fā)育進(jìn)程，將發(fā)育期分為9個(gè)階段，共引入4個(gè)遺傳參數(shù)——基本營養(yǎng)生長期GDD、籽粒灌漿期GDD、光敏感期日長效應(yīng)系數(shù)和最適日長。再如ORYZA水稻系列模型[32]，將發(fā)育期分為4階段，共引入6個(gè)遺傳參數(shù)——基本營養(yǎng)生長期發(fā)育速率、光敏感期發(fā)育速率、日長敏感性效應(yīng)系數(shù)、最適日長、穗期發(fā)育速率和灌漿期發(fā)育速率。Gao等[33]開發(fā)的水稻栽培計(jì)算機(jī)模擬優(yōu)化決策系統(tǒng)(RCSODS)，將發(fā)育期分為3個(gè)階段，各階段分別引入3個(gè)遺傳參數(shù)——基本生長期系數(shù)、增溫促進(jìn)系數(shù)、高溫抑制系數(shù)，在光敏感期還要考慮臨界日長和感光系數(shù)。孟亞利等[34]研制的水稻生長模擬模型(RiceGrow)，將發(fā)育期分為4個(gè)階段，共引入5個(gè)遺傳參數(shù)——溫度敏感性、光周期敏感性、最適溫度、基本早熟性和基本灌漿期因子。這些模型中的部分參數(shù)理論基礎(chǔ)要求高，獲取難度大，在業(yè)務(wù)應(yīng)用和農(nóng)技推廣中受到很大限制[35]。

表3 經(jīng)過參數(shù)優(yōu)化的T-RH模型在測試集上的評(píng)價(jià)結(jié)果

BP神經(jīng)網(wǎng)絡(luò)的核心是信號(hào)正向傳播、誤差反向傳播，并通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。因此，BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。在引入非線性函數(shù)作為激勵(lì)函數(shù)后，深層神經(jīng)網(wǎng)絡(luò)的表達(dá)能力就能更加強(qiáng)大地解決線性不可分問題。本研究在已知農(nóng)業(yè)作物生長發(fā)育進(jìn)程與氣象條件存在非線性關(guān)系的基礎(chǔ)上，使用測試效果較好的Sigmoid激勵(lì)函數(shù)。它的本質(zhì)是邏輯斯諦(logistic)回歸，或S型生長曲線。得益于現(xiàn)代計(jì)算機(jī)技術(shù)的不斷進(jìn)步，通過設(shè)置最大迭代次數(shù)，即可計(jì)算訓(xùn)練集在BP網(wǎng)絡(luò)上的預(yù)測準(zhǔn)確率，直到達(dá)到要求為止。

現(xiàn)代農(nóng)業(yè)的發(fā)展過程是先進(jìn)科學(xué)技術(shù)在農(nóng)業(yè)領(lǐng)域廣泛應(yīng)用的過程。本研究利用1952—2016年長江中下游一季稻主要種植地區(qū)的氣象觀測數(shù)據(jù)，以及對(duì)應(yīng)臺(tái)站的一季稻物候發(fā)育期數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)開展作物發(fā)育期模擬研究?？紤]到模型在實(shí)際應(yīng)用中使用操作的便捷性，本研究僅在有效積溫模擬基礎(chǔ)上增加一個(gè)氣象要素，構(gòu)建起溫度(T)模型、溫度-降水(T-P)模型、溫度-相對(duì)濕度(T-RH)模型和溫度-日照時(shí)數(shù)(T-S)模型，并利用多種模擬評(píng)價(jià)指標(biāo)篩選出最優(yōu)模型(T-RH模型)，所模擬的各發(fā)育階段天數(shù)平均絕對(duì)誤差不超過1 d。國內(nèi)學(xué)者應(yīng)用CERES模型開展發(fā)育期預(yù)測，誤差在5 d左右甚至更高[36-37]，即使應(yīng)用基于機(jī)器學(xué)習(xí)的支持向量機(jī)方法[16]，預(yù)報(bào)精度也未得到明顯改善。這說明，基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的以有效積溫為基礎(chǔ)的模擬模型，能夠很好地描述氣象因子與一季稻發(fā)育進(jìn)程的非線性關(guān)系，可以簡便且準(zhǔn)確地預(yù)報(bào)作物發(fā)育期，為作物發(fā)育期預(yù)報(bào)和機(jī)理研究提供了新方法，為未來氣候變化背景下開展精細(xì)農(nóng)業(yè)氣象服務(wù)、促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展提供了技術(shù)支撐。本研究克服了傳統(tǒng)模型參數(shù)多不便于應(yīng)用或者參數(shù)少但精度不高的缺陷，具有一定的理論意義和較高的實(shí)用推廣價(jià)值。

相較僅利用積溫的BP神經(jīng)網(wǎng)絡(luò)模型，分別加入降水、相對(duì)濕度、日照時(shí)數(shù)要素后，模型的預(yù)測精度得到改善，其中，引入相對(duì)濕度的T-RH模型精度最高。這可能與研究區(qū)雨熱同季的季風(fēng)氣候特點(diǎn)顯著，且擁有水系發(fā)達(dá)的地理區(qū)位優(yōu)勢有關(guān)。研究區(qū)的水稻生長過程中并不缺水，在加入降水這樣的離散型氣象要素后，模型的模擬效果并沒有明顯提升。相對(duì)濕度作為連續(xù)的氣象要素變量，可以直觀地反映出環(huán)境水分條件對(duì)一季稻生長發(fā)育速度的影響，而且相對(duì)濕度是同溫下實(shí)際水汽壓和飽和水汽壓的比值，水汽壓與溫度呈指數(shù)律變化。也許正是得益于溫度與相對(duì)濕度之間的這種協(xié)同作用，引入相對(duì)濕度的T-RH模型精度提高。這一研究結(jié)果為進(jìn)一步揭示氣象條件與一季稻發(fā)育期的非線性關(guān)系提供了新思路。另外，水稻的光周期敏感階段較短，而其余發(fā)育階段對(duì)光照時(shí)間的敏感性均不夠高，日照時(shí)數(shù)變化對(duì)水稻生長發(fā)育的影響遠(yuǎn)小于溫度和水分，故加入日照時(shí)數(shù)后，一季稻發(fā)育期模型的模擬精度提升較少。

利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建一季稻發(fā)育期預(yù)報(bào)模型時(shí)，輸入神經(jīng)網(wǎng)絡(luò)的因子會(huì)影響模型的模擬精度。本研究只考慮了氣象因子。實(shí)際上，一季稻的階段發(fā)育與水稻的品種、土壤養(yǎng)分含量、田間管理方式等都有密切關(guān)系。但從本研究結(jié)果看，無論是對(duì)于業(yè)務(wù)應(yīng)用還是科學(xué)研究來說，所建模型的模擬精度已足夠高。

不同的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型各有其優(yōu)勢和缺點(diǎn)。例如，支持向量機(jī)模型的結(jié)果可以由少數(shù)的“支持向量”來決定，而不是所有的輸入數(shù)據(jù)，這樣可以抓住關(guān)鍵的樣本數(shù)據(jù)，減少過擬合現(xiàn)象的發(fā)生，但支持向量機(jī)模型計(jì)算較慢。本研究針對(duì)研究區(qū)多站點(diǎn)多年數(shù)據(jù)特征，綜合考慮模型結(jié)果精度、計(jì)算速度，選擇了BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)具有可輸入的數(shù)據(jù)量大、學(xué)習(xí)能力強(qiáng)、模型結(jié)果準(zhǔn)確、計(jì)算相對(duì)較快等優(yōu)點(diǎn)，但其參數(shù)調(diào)整過程復(fù)雜，如果參數(shù)調(diào)整不當(dāng)，模型容易欠擬合或者過擬合，影響模擬效果。本研究利用最優(yōu)模型進(jìn)行參數(shù)調(diào)試，得到的參數(shù)化結(jié)果可供相關(guān)研究參考。