基于Elman神經(jīng)網(wǎng)絡(luò)的旱情預(yù)測(cè)模型研究

摘要：文章以2018年9月1日至2021年8月31日天津市薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個(gè)氣象自動(dòng)監(jiān)測(cè)站的3年數(shù)據(jù)為基礎(chǔ)，研究建立基于Elman神經(jīng)網(wǎng)絡(luò)的旱情預(yù)測(cè)模型，并對(duì)模型應(yīng)用進(jìn)行測(cè)試評(píng)價(jià)。文章數(shù)據(jù)選取空氣溫度、空氣濕度、風(fēng)速、風(fēng)向等18項(xiàng)影響因子訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)模型，對(duì)旱情進(jìn)行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測(cè)。結(jié)果顯示，基于Elman神經(jīng)網(wǎng)絡(luò)的旱情預(yù)測(cè)模型短、中、長期3個(gè)時(shí)期的平均旱情預(yù)測(cè)準(zhǔn)確度分別達(dá)到97.82%、91.71%、88.94%，與2023年建立的墑情預(yù)測(cè)模型結(jié)果（短期、中期、長期預(yù)測(cè)準(zhǔn)確度分別為96.64%、90.60%、85.59%）[1]進(jìn)行對(duì)比，短、中、長期3個(gè)時(shí)期旱情預(yù)測(cè)模型的平均預(yù)測(cè)準(zhǔn)確度均高于同期墑情預(yù)測(cè)模型的準(zhǔn)確度，其中旱情預(yù)測(cè)模型Ⅲ（14 d）對(duì)20 cm土層深度的旱情預(yù)測(cè)準(zhǔn)確度比同期同層次墑情預(yù)測(cè)模型的準(zhǔn)確度提高9.3%。研究發(fā)現(xiàn)，天津地區(qū)的氣候特點(diǎn)與我國北方大部分地區(qū)相似，降雨主要集中于一年內(nèi)的某些月份，從而使得旱情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度高于墑情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度，故本研究的旱情預(yù)測(cè)模型可以推廣至我國北方大部分地區(qū)及中西部地區(qū)，以期為當(dāng)?shù)睾登椤勄轭A(yù)測(cè)預(yù)報(bào)研究提供參考。

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

中圖分類號(hào)：S152.7+1

文獻(xiàn)標(biāo)識(shí)碼：A

旱情是指某個(gè)時(shí)期、某個(gè)地區(qū)的干旱情況。旱情嚴(yán)重會(huì)影響農(nóng)作物生長，如春旱會(huì)使小麥春生分蘗減少，單位面積小麥總穗數(shù)減少，從而影響小麥產(chǎn)量；夏旱會(huì)造成農(nóng)作物夏播無法進(jìn)行或播后出苗困難，或使春、夏播作物出現(xiàn)凋萎、死亡[2]。因此適宜的土壤濕度是農(nóng)作物健康生長、增產(chǎn)增收的必要條件。通過分析旱情數(shù)據(jù)，可預(yù)測(cè)農(nóng)作物受旱情況，從而科學(xué)指導(dǎo)農(nóng)業(yè)灌溉，提高水資源利用率，進(jìn)而提高農(nóng)作物產(chǎn)量，保障國家糧食安全。

有關(guān)旱情預(yù)測(cè)，我國學(xué)者研究較多，研究方法也多種多樣。如20世紀(jì)80年代，張惠敏[3]、唐玉遠(yuǎn)和范立仁[4]應(yīng)用灰度理論，分別對(duì)河南省洛陽地區(qū)、山東省壽光地區(qū)20世紀(jì)末的干旱趨勢(shì)進(jìn)行預(yù)測(cè)；張玉峰[5]應(yīng)用遙感技術(shù)對(duì)吉林省玉米種植區(qū)的干旱情況進(jìn)行預(yù)測(cè)；馮平等[6]應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)干旱程度進(jìn)行評(píng)估；宋文輝[7]用多種機(jī)器學(xué)習(xí)算法進(jìn)行了氣象干旱預(yù)測(cè)研究。

本研究應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)模型，對(duì)微觀旱情進(jìn)行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測(cè)，通過對(duì)未來土壤體積含水量的預(yù)測(cè)來研判農(nóng)田未來旱情趨勢(shì)，旨在將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于農(nóng)業(yè)生產(chǎn)，為農(nóng)作物科學(xué)灌溉提供依據(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?yàn)樘旖蚴芯硟?nèi)。天津市的主要?dú)夂蛱卣鳛樗募痉置?，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日的天津市靜海區(qū)（簡(jiǎn)稱靜海區(qū)），最低氣溫為-22.6 ℃，出現(xiàn)在2021年1月6日的天津市薊州區(qū)（簡(jiǎn)稱薊州區(qū)）。天津市年平均降水量一般在370～750 mm之間，降水大部分集中在6—9月，但2021年降水量為979.1 mm，創(chuàng)下自1961年有氣象資料記錄以來的最高值。

本研究數(shù)據(jù)來源于薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個(gè)氣象墑情自動(dòng)監(jiān)測(cè)站（表1）。每個(gè)氣象墑情自動(dòng)監(jiān)測(cè)站點(diǎn)均可同時(shí)監(jiān)測(cè)氣象數(shù)據(jù)和土壤數(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、降雨量、蒸發(fā)量、大氣壓力、露點(diǎn)溫度、作物蒸騰蒸發(fā)量；土壤數(shù)據(jù)包括土壤體積含水量、土壤相對(duì)含水量、土壤溫度、土壤鹽分，均為20、40、60、80 cm共4個(gè)土層深度的數(shù)據(jù)。調(diào)查時(shí)間為2018年9月1日至2021年8月31日。

2 模型建立

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)。Elman神經(jīng)網(wǎng)絡(luò)以BP網(wǎng)絡(luò)為基礎(chǔ)結(jié)構(gòu)，在隱含層增加一個(gè)承接層作為延時(shí)算子，以達(dá)到記憶目的，從而使模型系統(tǒng)具有適應(yīng)時(shí)變特性的能力，增強(qiáng)了網(wǎng)絡(luò)的全局穩(wěn)定性[8]。Elman神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見圖1[7]。

1.2 數(shù)據(jù)處理

為確保監(jiān)測(cè)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(jìn)行完整性檢查，剔除無效數(shù)據(jù)和異常數(shù)據(jù)。經(jīng)數(shù)據(jù)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(gè)數(shù)據(jù)項(xiàng)，保留空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、光照、降雨量、露點(diǎn)溫度7個(gè)氣象數(shù)據(jù)項(xiàng)；土壤數(shù)據(jù)剔除土壤相對(duì)含水量的4個(gè)數(shù)據(jù)項(xiàng)，保留土壤體積含水量、土壤溫度、土壤鹽分等12個(gè)數(shù)據(jù)項(xiàng)。剔除無效數(shù)據(jù)、異常數(shù)據(jù)的原因均為監(jiān)測(cè)數(shù)據(jù)不完整，各站點(diǎn)監(jiān)測(cè)項(xiàng)設(shè)置有差別等，同時(shí)剔除由于設(shè)備測(cè)試、傳感器探頭失靈等產(chǎn)生的異常數(shù)據(jù)。

本研究輸入數(shù)據(jù)為氣象墑情自動(dòng)監(jiān)測(cè)站的監(jiān)測(cè)數(shù)據(jù)，輸出數(shù)據(jù)為24 h、7 d、14 d的旱情情況，用土壤體積含水量表示，即20、40、60、80 cm共4個(gè)土層深度的土壤體積含水量。原始數(shù)據(jù)處理過程為：第一步，增加站點(diǎn)編號(hào)數(shù)據(jù)項(xiàng)。因原始數(shù)據(jù)和預(yù)測(cè)結(jié)果均為分站點(diǎn)的數(shù)據(jù)和預(yù)測(cè)結(jié)果，即根據(jù)某一站點(diǎn)的數(shù)據(jù)去預(yù)測(cè)這一站點(diǎn)未來的旱情。第二步，刪除有降雨量數(shù)據(jù)的數(shù)據(jù)條目。即刪除降雨量大于0的數(shù)據(jù)條目，再刪除降雨量數(shù)據(jù)項(xiàng)。第三步，匹配輸出數(shù)據(jù)。建立的模型將預(yù)測(cè)未來某一天某一時(shí)點(diǎn)的旱情，故每一組原始數(shù)據(jù)均需要匹配未來某一時(shí)點(diǎn)的土壤數(shù)據(jù)。例如，原始數(shù)據(jù)為2020年8月4日10：30的氣象、土壤原始數(shù)據(jù)，要預(yù)測(cè)24 h后的旱情就需要匹配2020年8月5日10：30的土壤數(shù)據(jù)，而要預(yù)測(cè)7 d后的旱情就需要匹配2020年8月11日10：30的土壤數(shù)據(jù)。第四步，提取測(cè)試數(shù)據(jù)，模擬真實(shí)預(yù)測(cè)場(chǎng)景。從原始數(shù)據(jù)中隨機(jī)提取5 000組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，剩余100 000組數(shù)據(jù)用于模型訓(xùn)練，輸入輸出數(shù)據(jù)項(xiàng)（表2）。第五步，數(shù)據(jù)歸一化，將100 000組模型訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，即通過最小—最大標(biāo)準(zhǔn)化（Min-Max Normalization）將所有數(shù)據(jù)映射在[-1，1]之間。

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(dòng)量的梯度下降法，該方法是在反向傳播的基礎(chǔ)上，在每一個(gè)權(quán)值的變化上附加一項(xiàng)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)模型在修正其權(quán)值時(shí)，不僅考慮了網(wǎng)絡(luò)模型誤差在梯度上的作用，還考慮了誤差區(qū)面變化趨勢(shì)的影響，從而降低了網(wǎng)絡(luò)模型對(duì)于誤差曲面局部細(xì)節(jié)的敏感性，有效地抑制網(wǎng)絡(luò)模型陷入局部極小[9]。

3 模型應(yīng)用評(píng)價(jià)

本研究模型訓(xùn)練采用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(yàn)證集和測(cè)試集進(jìn)行模型訓(xùn)練。各模型的隱藏層節(jié)點(diǎn)數(shù)量和步長均通過試算確定，每個(gè)節(jié)點(diǎn)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(yàn)證集和測(cè)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(cè)試數(shù)據(jù)模擬真實(shí)預(yù)測(cè)場(chǎng)景。

3.1旱情預(yù)測(cè)模型Ⅰ（24 h）

通過對(duì)旱情預(yù)測(cè)模型Ⅰ的隱藏層節(jié)點(diǎn)和步長的試算，最終確定當(dāng)隱藏層節(jié)點(diǎn)為42個(gè)、步長為0.2時(shí)，20、40、60、80 cm共4個(gè)土層深度的平均土壤體積含水量相對(duì)誤差最小，為0.021 9（表3）。

旱情預(yù)測(cè)模型Ⅰ（24 h）的網(wǎng)絡(luò)訓(xùn)練性能見圖2。經(jīng)過50 000次的迭代訓(xùn)練，該模型的均方誤差大小為0.004 367 8，已經(jīng)達(dá)到最佳的訓(xùn)練性能。

旱情預(yù)測(cè)模型Ⅰ（24 h）的訓(xùn)練完成后，用5 000組數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試結(jié)果的誤差曲線見圖3。從旱情預(yù)測(cè)模型Ⅰ（24 h）的誤差曲線可以看出，該模型測(cè)試數(shù)據(jù)誤差整體較平穩(wěn)，波動(dòng)不大，只有80 cm土層深度有個(gè)別數(shù)據(jù)誤差較大，最大達(dá)到171.37%。

3.2旱情預(yù)測(cè)模型Ⅱ（7 d）

通過對(duì)旱情預(yù)測(cè)模型Ⅱ（7 d）的隱藏層節(jié)點(diǎn)和步長的試算，最終確定當(dāng)隱藏層節(jié)點(diǎn)為38個(gè)、步長為0.3時(shí)，20、40、60、80 cm共 4個(gè)土層深度的平均土壤體積含水量相對(duì)誤差最小，為0.082 9（表4）。

旱情預(yù)測(cè)模型Ⅱ（7 d）的網(wǎng)絡(luò)訓(xùn)練性能見圖4。經(jīng)過50 000次的迭代訓(xùn)練，該模型的均方誤差大小為0.015 808，已經(jīng)達(dá)到最佳的訓(xùn)練性能。

旱情預(yù)測(cè)模型Ⅱ（7 d）的訓(xùn)練完成后，用5 000組數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試結(jié)果的誤差曲線見圖5。從旱情預(yù)測(cè)模型（7 d）Ⅱ的誤差曲線可以看出，該曲線整體誤差水平比較平穩(wěn)，波動(dòng)不大，如20 cm土層深度的旱情誤差絕大部分均低于5%。整體上只有個(gè)別數(shù)據(jù)產(chǎn)生異常誤差，如20 cm土層深度的旱情出現(xiàn)了2個(gè)誤差超過200%的數(shù)據(jù)組，80 cm土層深度的旱情出現(xiàn)了3個(gè)誤差超過200%的數(shù)據(jù)組。

3.3 旱情預(yù)測(cè)模型Ⅲ（14 d）

通過對(duì)旱情預(yù)測(cè)模型Ⅲ（14 d）的隱藏層節(jié)點(diǎn)和步長的試算，最終確定當(dāng)隱藏層節(jié)點(diǎn)為41個(gè)、步長為0.4時(shí)，20、40、60、80 cm共 4個(gè)土層深度的平均旱情相對(duì)誤差最小，為0.110 6（表5）。

旱情預(yù)測(cè)模型Ⅲ（14 d）的網(wǎng)絡(luò)訓(xùn)練性能見圖6。經(jīng)過50 000次迭代訓(xùn)練，該模型的均方誤差大小為0.019 752，已經(jīng)達(dá)到最佳訓(xùn)練性能。

旱情預(yù)測(cè)模型Ⅲ（14 d）的訓(xùn)練完成后，用5 000組數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試結(jié)果的誤差曲線見圖7。旱情預(yù)測(cè)模型Ⅲ（14 d）預(yù)測(cè)結(jié)果的相對(duì)誤差總體比旱情預(yù)測(cè)模型Ⅰ（24 h）和旱情預(yù)測(cè)模型Ⅱ（7 d）的波動(dòng)大；20、40、60、80 cm共4個(gè)土層深度的旱情預(yù)測(cè)值相對(duì)誤差波動(dòng)依次減弱，其中20 cm土層深度的旱情預(yù)測(cè)值相對(duì)誤差有26%超過20%，而80 cm土層深度的旱情預(yù)測(cè)值相對(duì)誤差只有8%超過20%。

4 "研究結(jié)論

本研究應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)旱情進(jìn)行短期（24 h）、中期（7 d）、長期（14 d）預(yù)測(cè)，

通過對(duì)5 000組測(cè)試數(shù)據(jù)的預(yù)測(cè)，得出各時(shí)期各

層次土壤旱情的預(yù)測(cè)結(jié)果準(zhǔn)確度（表6）。總體來看，利用Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練的旱情預(yù)測(cè)模型準(zhǔn)確度較高，短、中、長期的平均預(yù)測(cè)準(zhǔn)確度分別達(dá)到97.82%、91.71%、88.94%。從各時(shí)期各層次土壤旱情預(yù)測(cè)結(jié)果的準(zhǔn)確度來看，20、40、60、80 cm共4個(gè)土層深度的旱情預(yù)測(cè)準(zhǔn)確度差別較大，20、40 cm土層深度的預(yù)測(cè)準(zhǔn)確度明顯低于60、80 cm土層深度。

將本研究的旱情預(yù)測(cè)結(jié)論（表6）與2023年訓(xùn)練的墑情預(yù)測(cè)模型結(jié)論（表7）[1]進(jìn)行對(duì)比（表7為2023年各時(shí)期各層次土壤墑情預(yù)測(cè)結(jié)果準(zhǔn)確度）。這兩次的研究方法和基礎(chǔ)數(shù)據(jù)相同，唯一的區(qū)別是本次研究數(shù)據(jù)刪除了與降雨有關(guān)的所有數(shù)據(jù)條目和數(shù)據(jù)項(xiàng)。從模型預(yù)測(cè)的平均準(zhǔn)確度來看，短期（24 h）、中期（7 d）、長期（14 d）3個(gè)時(shí)期旱情預(yù)測(cè)模型的平均準(zhǔn)確度均高于墑情預(yù)測(cè)模型的準(zhǔn)確度，其中24 h旱情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度比24 h墑情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度高1.18個(gè)百分點(diǎn)，7 d旱情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度比7 d墑情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度高1.11個(gè)百分點(diǎn)，14 d旱情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度比14 d墑情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度高3.35個(gè)百分點(diǎn)，而且短、中、長期3個(gè)時(shí)期旱情預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度均高于80%。即便是預(yù)測(cè)準(zhǔn)確度最低、波動(dòng)最大的14 d旱情預(yù)測(cè)模型預(yù)測(cè)的20 cm土層深度的準(zhǔn)確度也比14 d墑情預(yù)測(cè)模型預(yù)測(cè)的準(zhǔn)確度高7.09個(gè)百分點(diǎn)，提高9.3%。

本研究驗(yàn)證了之前的預(yù)想，即天津地區(qū)氣候四季分明，但大部分雨水集中在夏季7月和8月份的少數(shù)日期，其他月份均干旱少雨，這就使降雨成了統(tǒng)計(jì)學(xué)中的小概率事件，從而影響了土壤墑情預(yù)測(cè)的準(zhǔn)確度，而刪除降雨數(shù)據(jù)條目進(jìn)行旱情預(yù)測(cè)則減少了小概率事件的影響，從而大幅度提高了農(nóng)田旱情預(yù)測(cè)的準(zhǔn)確度。本研究短期（24 h）、中期（7 d）、長期（14 d）3個(gè)模型的測(cè)試數(shù)據(jù)均出現(xiàn)了個(gè)別誤差異常，即超大誤差，但出現(xiàn)次數(shù)不多。這可能是由于刪除降雨數(shù)據(jù)條目時(shí)只刪除了有降雨的數(shù)據(jù)條目，沒有刪除受降雨影響、但無降雨記錄的數(shù)據(jù)條目，今后可對(duì)數(shù)據(jù)進(jìn)行深度清洗，以達(dá)到完全避免受降雨影響的效果。

5 討論與展望

在實(shí)際生產(chǎn)中，農(nóng)作物生長是一個(gè)長期動(dòng)態(tài)的生長過程，中長期的旱情預(yù)測(cè)對(duì)農(nóng)作物的生產(chǎn)管理十分重要，可以根據(jù)中長期的旱情預(yù)測(cè)提前作出灌溉預(yù)判。天津地區(qū)大部分降雨集中在夏季7—8月，其他月份均干旱少雨，這也是我國北方大部分地區(qū)的氣候特點(diǎn)，因此本研究的旱情模型方法可以推廣至我國北方大部分及中西部地區(qū)，為當(dāng)?shù)氐暮登?、墑情預(yù)測(cè)預(yù)報(bào)研究提供參考。

參考文獻(xiàn)

[1]楊靖峰，王銳竹，于澎湃，等．基于Elman神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)模型研究[J]．天津農(nóng)林科技，2024（3）：10-15.

[2]陸均天．少雨高溫夏旱發(fā)展[J]．氣象，1988（9）：62-63.

[3]張惠敏．洛陽地區(qū)1985年至2000年干旱趨勢(shì)的灰色預(yù)測(cè)[J]．農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，1986（1）：36-41.

[4]唐玉遠(yuǎn)，范立仁．1987—2000年干旱趨勢(shì)的灰色預(yù)測(cè)[J]．山東氣象，1988（4）：22-25.

[5]張玉峰．基于遙感與水文模型的吉林省玉米種植區(qū)干旱預(yù)測(cè)方法研究[D]．長春：吉林大學(xué)，2023.

[6]馮平，鐘翔，張波．基于人工神經(jīng)網(wǎng)絡(luò)的干旱程度評(píng)估方法[J]．系統(tǒng)工程理論與實(shí)踐，2000（3）：141-144.

[7]宋文輝．基于智能算法的氣象干旱預(yù)測(cè)研究[D]．鄭州：華北水利水電大學(xué)，2022.

[8]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(jì)算機(jī)工程與應(yīng)用，2002（6）：65-66，81.

[9]周少軍．基于ANN的銅爐渣磨礦參數(shù)對(duì)銅精礦指標(biāo)影響預(yù)測(cè)研究[D]．武漢：武漢理工大學(xué)，2008.