基于Elman神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測模型研究

摘要：為實現(xiàn)土壤墑情預(yù)測，文章以天津市薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個氣象墑情自動監(jiān)測站2018—2021年的3年數(shù)據(jù)為基礎(chǔ)，對土壤墑情預(yù)測模型進行研究建立，并選取站點編號、空氣溫度、空氣濕度、風(fēng)速、風(fēng)向等19項影響因子訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)，對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測。結(jié)果顯示，3個時期土壤墑情平均預(yù)測精度分別達到96.64%、90.60%、85.59%，表明Elman神經(jīng)網(wǎng)絡(luò)具有穩(wěn)定性好、精度高的特點，訓(xùn)練出的土壤墑情預(yù)測模型準(zhǔn)確度高，可為農(nóng)業(yè)生產(chǎn)管理提供依據(jù)。

關(guān)鍵詞：土壤墑情；Elman神經(jīng)網(wǎng)絡(luò)；短期預(yù)測；中長期預(yù)測

中圖分類號：S152.7

文獻標(biāo)識碼：A

土壤墑情是指土壤濕度和土壤水分的狀況。土壤欠墑和墑過量均會嚴(yán)重影響農(nóng)作物生長，如春旱失墑會使小麥春生分蘗量減少，單位面積總穗數(shù)減少，從而影響小麥產(chǎn)量；夏季澇災(zāi)排水遲緩會使玉米等農(nóng)作物長時間浸泡而影響根系和地上部生長，嚴(yán)重時會導(dǎo)致農(nóng)作物根系腐爛，植株死亡。因此，適宜的土壤墑情是農(nóng)作物健康生長、增產(chǎn)增收的必要條件。通過分析和預(yù)測土壤墑情數(shù)據(jù)，可預(yù)測農(nóng)作物受旱受澇情況，從而科學(xué)指導(dǎo)農(nóng)業(yè)灌溉排水，提高農(nóng)作物產(chǎn)量，保障國家糧食生產(chǎn)安全。

目前，土壤墑情預(yù)測模型研究主要分為兩類：一類是基于土壤水分平衡和土壤水動力學(xué)的水理論預(yù)測模型，如侯瓊和郝文俊[1]建立了土壤水分動態(tài)預(yù)測模型來預(yù)測內(nèi)蒙古自治區(qū)玉米田的土壤墑情；一類是基于數(shù)據(jù)統(tǒng)計的預(yù)測模型，如白冬妹等[2]應(yīng)用時間序列自回歸模型預(yù)測土壤含水量；尚松浩等[3]建立了BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測小麥田土壤墑情。

本研究主要應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)模型對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測，旨在將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于農(nóng)業(yè)生產(chǎn)，為利用土壤墑情預(yù)測數(shù)據(jù)開展科學(xué)灌排提供依據(jù)。

1 "數(shù)據(jù)來源與數(shù)據(jù)處理

1.1 " 數(shù)據(jù)來源

本研究區(qū)域為天津市境內(nèi)。天津地區(qū)的主要氣候特征為四季分明，春季多風(fēng)，干旱少雨；夏季炎熱，雨水集中；秋季氣爽，冷暖適中；冬季寒冷，干燥少雪。2000年以來，天津地區(qū)的年平均氣溫為13.5 ℃，最高氣溫為42.7 ℃，出現(xiàn)在2017年7月11日的靜海區(qū)，最低氣溫為-22.6 ℃，出現(xiàn)在2021年1月6日的薊州區(qū)；年平均降水量一般在370～750 mm之間，降水大部分集中在每年6—9月，但2021年降水量為979.1 mm，創(chuàng)下1961年以來氣象降水記錄的最高值。

本研究數(shù)據(jù)來源于天津市薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個氣象墑情自動監(jiān)測站（表1）。每個氣象墑情自動監(jiān)測站點均可同時監(jiān)測空氣氣象數(shù)據(jù)和土壤墑情數(shù)據(jù)，其中氣象數(shù)據(jù)包括空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、光照、雨量、蒸發(fā)量、大氣壓力、露點溫度、作物蒸騰蒸發(fā)量；土壤墑情數(shù)據(jù)包括土壤體積含水量、土壤相對含水量、土壤溫度、土壤鹽分。土壤墑情數(shù)據(jù)均為20、40、60、80 cm 4個土層深度的數(shù)據(jù)。調(diào)查時間為2018年9月1日至2021年8月31日，共計3年。

1.2 " 數(shù)據(jù)處理

為確保監(jiān)測數(shù)據(jù)有意義且具有可操作性，將獲得的原始調(diào)查數(shù)據(jù)在應(yīng)用前進行完整性檢查，剔除無效數(shù)據(jù)和異常數(shù)據(jù)。經(jīng)處理，氣象數(shù)據(jù)剔除蒸發(fā)量、大氣壓力、作物蒸騰蒸發(fā)量3個數(shù)據(jù)項，保留空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、光照、降雨量、露點溫度7個數(shù)據(jù)項；土壤墑情數(shù)據(jù)剔除土壤相對含水量的4個數(shù)據(jù)項，保留土壤體積含水量、土壤溫度、土壤鹽分等12個數(shù)據(jù)項。剔除無效數(shù)據(jù)、異常數(shù)據(jù)的原因均為監(jiān)測數(shù)據(jù)不完整，各站點監(jiān)測項設(shè)置有差別等，同時剔除由于設(shè)備測試、傳感器探頭失靈等原因產(chǎn)生的異常數(shù)據(jù)組。

本研究輸入數(shù)據(jù)為氣象墑情自動監(jiān)測站的監(jiān)測數(shù)據(jù)，輸出數(shù)據(jù)為24 h、7 d、14 d后的土壤墑情，土壤體積含水量主要為20、40、60、80 cm 4個土層深度的土壤體積含水量（表2）。原始數(shù)據(jù)處理過程為：第一步，增加“站點編號”數(shù)據(jù)項。因原始數(shù)據(jù)和預(yù)測結(jié)果均為分站點的數(shù)據(jù)和預(yù)測結(jié)果，即根據(jù)某一站點的數(shù)據(jù)去預(yù)測這一站點未來的土壤墑情。第二步，匹配輸出數(shù)據(jù)。研究建立的模型將預(yù)測未來某一天、某一時點的土壤墑情，故每組原始數(shù)據(jù)均需要匹配未來某一時點的土壤墑情數(shù)據(jù)，如原始數(shù)據(jù)為2020年8月4日10：30的氣象土壤墑情原始數(shù)據(jù)，要預(yù)測24 h后的土壤墑情就需要匹配2020年8月5日10：30的氣象土壤墑情數(shù)據(jù)；而要預(yù)測7 d后的氣象土壤墑情就需要匹配2020年8月11日10：30的氣象土壤墑情數(shù)據(jù)，以此類推。第三步，提取測試數(shù)據(jù)，模擬真實預(yù)測場景。從原始數(shù)據(jù)中隨機提取5 000組數(shù)據(jù)作為測試數(shù)據(jù)，剩余100 000組數(shù)據(jù)用于模型訓(xùn)練。

2 "建立模型

2.1 " Elman神經(jīng)網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)是典型的反饋型神經(jīng)網(wǎng)絡(luò)，是一種具有局部記憶單元和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)。它是以BP網(wǎng)絡(luò)為基礎(chǔ)結(jié)構(gòu)，在隱含層增加一個承接層作為延時算子，以達到記憶目的，從而使系統(tǒng)具有適應(yīng)時變特性的能力，增強了網(wǎng)絡(luò)的全局穩(wěn)定性[4]。Elman神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)見圖1[5]。

2.2 " 傳遞函數(shù)

Elman神經(jīng)網(wǎng)絡(luò)模型的傳遞函數(shù)采用帶動量的梯度下降法，該方法是在反向傳播的基礎(chǔ)上，在每個權(quán)值的變化上附加一項正比于前次權(quán)值變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。該方法使網(wǎng)絡(luò)在修正其權(quán)值時，不僅考慮了誤差在梯度上的作用，而且還考慮了誤差曲面變化趨勢的影響，從而降低了網(wǎng)絡(luò)對于誤差曲面局部細(xì)節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部極小[6]。

3 "模型應(yīng)用評價

本研究模型訓(xùn)練采用的是MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，該工具箱默認(rèn)將100 000組數(shù)據(jù)按7∶

1.5∶1.5的比例分為訓(xùn)練集、驗證集和測試集進行模型訓(xùn)練。各模型的隱藏層節(jié)點數(shù)量和步長均通過試算確定，每個節(jié)點或步長的試算均經(jīng)過15次迭代，每次迭代均按照比例重新分配訓(xùn)練集、驗證集和測試集數(shù)據(jù)，最終使網(wǎng)絡(luò)的訓(xùn)練誤差逐步收斂，最后應(yīng)用5 000組測試數(shù)據(jù)模擬真實預(yù)測場景。

3.1 " 土壤墑情預(yù)測模型Ⅰ（24 h）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當(dāng)隱藏層節(jié)點為25個、步長為0.3時，20、40、60、80 cm 4個土層深度的平均土壤墑情相對誤差最小（表3），為0.031 45（3.15%）。

土壤墑情預(yù)測模型Ⅰ（24 h）的網(wǎng)絡(luò)訓(xùn)練性能（圖2），經(jīng)過50 000次的迭代訓(xùn)練，該網(wǎng)絡(luò)的均方誤差大小為0.005 280 2，已經(jīng)達到最佳訓(xùn)練性能。

模型訓(xùn)練完成后，用5 000組數(shù)據(jù)進行測試，從測試數(shù)據(jù)誤差曲線（圖3）可以看出，該模型測試數(shù)據(jù)的誤差整體波動幅度較小，其中20 cm和40 cm土層深度的土壤墑情預(yù)測誤差最大值分別小于70%和90%，60 cm和80 cm土層深度的土壤墑情預(yù)測誤差最大值分別小于80%和90%。

3.2 " 土壤墑情預(yù)測模型Ⅱ（7 d）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當(dāng)隱藏層節(jié)點為40個、步長為0.2時，20、40、60、80 cm 4個土層的平均土壤墑情相對誤差最?。ū?），為0.093 95（9.4%）。

土壤墑情預(yù)測模型Ⅱ（7 d）的網(wǎng)絡(luò)訓(xùn)練性能（圖4），經(jīng)過50 000次的迭代訓(xùn)練，該網(wǎng)絡(luò)的均方誤差大小為0.017 932，已經(jīng)達到最佳訓(xùn)練性能。

模型訓(xùn)練完成后，用5 000組數(shù)據(jù)進行測試，從測試數(shù)據(jù)誤差曲線（圖5）可以看出，20 cm和40 cm土層深度的土壤墑情預(yù)測值的相對誤差較大，特別是20 cm土層深度的土壤墑情預(yù)測值的相對誤差極值已經(jīng)超過了100%；60 cm和80 cm土層深度的土壤墑情預(yù)測值相對誤差總體波動較小，特別是80 cm土層深度的土壤墑情預(yù)測值相對誤差絕大部分穩(wěn)定在5%左右。

3.3 " 土壤墑情預(yù)測模型Ⅲ（14 d）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當(dāng)隱藏層節(jié)點為32個、步長為0.06時，20、40、60、80 cm 4個土層深度的平均土壤墑情相對誤差最?。ū?），為0.144 15（14.42%）。

土壤墑情預(yù)測模型Ⅲ（14 d）的網(wǎng)絡(luò)訓(xùn)練性能（圖6），經(jīng)過50 000次訓(xùn)練，該網(wǎng)絡(luò)的均方誤差大小為0.028 154，已經(jīng)達到最佳訓(xùn)練性能。

模型訓(xùn)練完成后，用5 000組數(shù)據(jù)進行測試，從測試數(shù)據(jù)誤差曲線（圖7）可以看出，在該模型測試數(shù)據(jù)中，20 cm和40 cm土層深度的土壤墑情預(yù)測值的相對誤差波動較大，特別是20 cm土層深度的土壤墑情預(yù)測值的相對誤差極值已經(jīng)超過了120%；60 cm和80 cm土層深度的土壤墑

情預(yù)測值的相對誤差雖比20 cm和40 cm土層深度的波動幅度小，但與24 h預(yù)測值的相對誤差和7 d預(yù)測值的相對誤差相比，波動幅度仍較大。

4 "結(jié)論與討論

本研究應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)模型對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測，通過對5 000組測試數(shù)據(jù)的預(yù)測，得出各時期、各層次土壤墑情的預(yù)測結(jié)果準(zhǔn)確度（表6）?？傮w來看，利用Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練土壤墑情預(yù)測模型，其結(jié)果精度是比較高的，短期、中期、長期的平均預(yù)測精度分別達到了96.64%、90.60%、85.59%。從各時期各層次土壤墑情預(yù)測結(jié)果的準(zhǔn)確度來看，20 cm、40 cm、60 cm、80 cm 4個土層深度的土壤墑情預(yù)測準(zhǔn)確度差異較大，其中20 cm和40 cm土層深度的土壤墑情預(yù)測準(zhǔn)確度明顯低于60 cm和80 cm土層深度的土壤墑情預(yù)測準(zhǔn)確度，特別是長期（14 d）20 cm土層深度的土壤墑情預(yù)測準(zhǔn)確度已經(jīng)下降至80%以下，明顯低于其他土層深度的土壤墑情預(yù)測準(zhǔn)確度。

從不同預(yù)測時間建立的模型測試數(shù)據(jù)誤差曲線圖中也能看出，20 cm和40 cm土層深度的土壤墑情波動幅度要比60 cm和80 cm土層深度的土壤墑情波動幅度要大。這是因為20 cm和40 cm

土層深度的土壤墑情受天氣等外界影響較大，水分要滲入到60 cm和80 cm土層深度需要較大的降雨量，而天津地區(qū)較大降雨量只集中在每年7、8月的某幾天，因此60 cm和80 cm土層深度的土壤墑情誤差波動較小。

實際生產(chǎn)中，農(nóng)作物生長是一個長期動態(tài)的生長過程，中長期的土壤墑情預(yù)測對農(nóng)作物的生長管理十分重要。目前，該研究模型的輸入為全要素輸入（包括氣象墑情站所采集的所有數(shù)據(jù)項），有些數(shù)據(jù)項可能與未來土壤墑情預(yù)測不相關(guān)，今后將剔除不相關(guān)數(shù)據(jù)項，簡化預(yù)測模型，最終實現(xiàn)更好地利用土壤墑情預(yù)測模型，服務(wù)于農(nóng)業(yè)生產(chǎn)。

參考文獻

[1] 侯瓊，郝文?。畠?nèi)蒙古地區(qū)玉米農(nóng)田土壤墑情動態(tài)預(yù)測模式[J]．干旱地區(qū)農(nóng)業(yè)研究，2000（4）：50-56.

[2] 白冬妹，郭滿才，郭忠升，等．時間序列自回歸模型在土壤水分預(yù)測中的應(yīng)用研究[J]．中國水土保持，2014（2）：42-45，69.

[3] 尚松浩，毛曉敏，雷志棟，等．冬小麥田間墑情預(yù)報的BP神經(jīng)網(wǎng)絡(luò)模型[J]．水利學(xué)報，2002（4）：60-63，68.

[4] 摔了個呆萌．Matlab newelm，Elman神經(jīng)網(wǎng)絡(luò)介紹以及Matlab實現(xiàn)[EB/OL]． https：//blog.csdn.net/weixin_42114041/article/details/115828739. 2021-03-16.

[5] 謝慶國，沈軼，萬淑蕓．Elman人工神經(jīng)網(wǎng)絡(luò)的收斂性分析[J]．計算機工程與應(yīng)用，2002（6）：65-66，81.

[6] 周少軍．基于ANN的銅爐渣磨礦參數(shù)對銅精礦指標(biāo)影響預(yù)測研究[D]．武漢：武漢理工大學(xué)，2009.