周鶴 曹永忠

摘 要：水稻的生長發(fā)育是一個復(fù)雜的過程，其中土壤、氣候等環(huán)境因子對水稻的最終產(chǎn)量影響巨大。雖然有研究提出了天氣、土壤等環(huán)境因素對水稻產(chǎn)量影響的預(yù)測模型，但因缺乏對水稻各個生育周期的長勢的定量描述，所以對水稻不同生育周期的長勢預(yù)測還不夠細(xì)致。文章在水稻各周期生長模型特性和高郵灌區(qū)的水稻種植歷史數(shù)據(jù)的基礎(chǔ)上，設(shè)計并訓(xùn)練出環(huán)境因素對水稻各生育生長趨勢影響預(yù)測模型。實驗結(jié)果證明了該方法的有效性及合理性，對預(yù)測水稻在不同周期長勢情況有一定的參考價值。

關(guān)鍵詞：水稻；生理周期；生長趨勢；神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

“民以食為天，食以稻為先?！比珖?5%以上人口以稻米為主食，水稻不僅是我國最主要的糧食作物，也是世界主要口糧之一。因此，對水稻的長勢情況的研究具有極其重要的現(xiàn)實意義。水稻相對其他糧食作物來說，生長過程長，生育周期多，影響因素多。長期以來，對水稻的長勢判斷多依靠于經(jīng)驗，尤其對深入水稻生育周期里面的長勢情況更是缺乏有效的定量描述標(biāo)準(zhǔn)。本文給出一種基于BP神經(jīng)網(wǎng)絡(luò)的長勢預(yù)測模型，來預(yù)測環(huán)境因子對水稻不同生育周期長勢的影響。

1 研究背景

根據(jù)大量的試驗資料分析，諸多影響水稻生長長勢的相關(guān)因素是相互聯(lián)系、錯綜復(fù)雜的，不同周期長勢糾纏關(guān)聯(lián)，絕不是一兩個數(shù)學(xué)公式能說清的，屬于多因素、非線性的問題。近年來，隨著人工智能的大熱，國內(nèi)外學(xué)者紛紛把人工智能的方法應(yīng)用到作物生長及其相關(guān)領(lǐng)域中，對分析這種復(fù)雜的生長問題取得了較好效果。如郭慶春等[1]采用BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測土壤含水量，得到結(jié)果與當(dāng)?shù)貙嶋H結(jié)果較為吻合。程曼等[2]融合了溫室外部環(huán)境數(shù)據(jù)和當(dāng)?shù)靥鞖馇闆r，通過神經(jīng)網(wǎng)絡(luò)的方法，建立了溫室未來環(huán)境狀況的全局變量預(yù)測模型，解決了溫室控制中的大滯后、大慣性問題。Aiping[3]結(jié)合BP，RBF，GRNN多種神經(jīng)網(wǎng)絡(luò)模型，利用IOWA提出了一種用于預(yù)測小麥產(chǎn)量的網(wǎng)絡(luò)模型，得到滿意效果。Zhang等[4]采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，用地面光譜信息預(yù)測產(chǎn)量，方便快捷，精度高。

本文以江蘇高郵揚州大學(xué)農(nóng)學(xué)院水稻灌溉區(qū)試驗田為研究區(qū)域，以2006—2016年試驗區(qū)土壤的水、肥、氣等墑情數(shù)據(jù)[5]和光照、氣溫、濕度、降水量等天氣數(shù)據(jù)[6]為數(shù)據(jù)集，結(jié)合水稻在不同周期末的測量的長勢數(shù)據(jù)，研究環(huán)境因素對水稻長勢的綜合影響，通過神經(jīng)網(wǎng)絡(luò)建立水稻長勢情況的預(yù)測模型。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的誤差逆?zhèn)鞑サ亩鄬由窠?jīng)網(wǎng)絡(luò)。由輸入層、隱含層和輸出層構(gòu)成。當(dāng)給定輸入時，從輸入層到輸出層的傳遞是前向傳播過程。初始權(quán)值一般為隨機值，如果實際值和期待輸出之間存在一定的誤差，那么模型沿著誤差反向傳播不斷修正，根據(jù)各層的誤差大小來調(diào)節(jié)各層的權(quán)重，如此反復(fù)，不斷迭代修正各層的權(quán)值直到最后的誤差到容忍的范圍。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

本研究中BP神經(jīng)網(wǎng)絡(luò)表示為BP（n，q，m），輸入向量Xn=（X1，…Xm）T，輸出向量Ym=（Y1，…Ym）T，其中n為輸出層單元個數(shù)，q為隱含層單元個數(shù)，m為輸出層單元個數(shù)。

其中激活函數(shù)為（0，1）內(nèi)連續(xù)取值的Sigmoid函數(shù)[7-8]：

f（u）= （1）

最終輸出結(jié)果為：

（2）

式中：為隱含層第j個單元到輸入層第k個單元的權(quán)重，Hip為輸入層到隱含層上輸出信息，為輸出層第k個單元的激活閾值。

誤差計算公式為：

（3）

式中：Yp表示第p個樣本的期待輸出值，tp表示第p個節(jié)點實際輸出值。初始權(quán)值采用隨機數(shù)生成，范圍為[-0.5，0.5]。隱層的隱單元定為8～12，最好根據(jù)經(jīng)驗公式來確定[9-10]。

p=L+ （4）

式中：M，P，N分別為輸入層、隱含層和輸出層神經(jīng)元的數(shù)目，L為1～10之間的一個整數(shù)。

權(quán)矩陣修正公式為：

（5）

式中：η表示學(xué)習(xí)效率，本研究取0.62；訓(xùn)練樣本集選取2006—2015年灌區(qū)內(nèi)水稻環(huán)境變量。

3 預(yù)測模型

數(shù)據(jù)預(yù)處理。因為采集的數(shù)據(jù)往往差異較大，很多不在一個數(shù)量級內(nèi)，為了提高神經(jīng)網(wǎng)絡(luò)的泛化能力[11]，處理公式為：

（6）

式中：Xdi為處理后的數(shù)據(jù)。

利用Matlab進行模型搭建，輸入層、隱含層采用tansig作為傳遞函數(shù)，輸出層選用logsig作為傳遞函數(shù)。動量參數(shù)定為0.9，均方差誤差為0.001。

水稻的生長是一個復(fù)雜過程，在農(nóng)業(yè)上把水稻的生育周期劃分為返青期、分蘗期、拔節(jié)孕穗期、抽穗揚花期、灌漿期、成熟期6個周期[12-13]。（1）返青期：植株新生分蘗的葉尖露出葉鞘（13 d）。（2）分蘗期：植株總分蘗數(shù)到大試驗的設(shè)計穗數(shù)（26 d）。（3）拔節(jié)孕穗期：植株稻穗劍葉抽出（20 d）。（4）抽穗揚花期：植株稻穗的中部籽粒內(nèi)部物呈乳漿狀（9 d）。（5）灌漿期：植株中部籽粒內(nèi)容呈蠟狀（19 d）。（6）成熟期：植株谷粒變黃至成熟（20 d）。

因為水稻各個生理周期的形態(tài)特征變化極大，導(dǎo)致各期評價長勢的標(biāo)準(zhǔn)不盡相同，所以環(huán)境因子對每個周期的影響因素難以一概而論。

為了方便評價生理期內(nèi)的生長的好壞趨勢，定義成長量為描述量G，G∈[0，1]。數(shù)值越大說明長勢越好，數(shù)值越小說明長勢越差。不同的生理周期的Gi的評價方法不盡相同，比如在分蘗期，以有效分蘗數(shù)、株高作為長勢主要評價指標(biāo)，按照經(jīng)驗公式中比重算出成長量，而在灌漿期中，以籽粒充實度、干物質(zhì)量為主要評價指標(biāo)。

為了能準(zhǔn)確測算每個周期的生長量，本研究進一步細(xì)分，在水稻每個周期建立一個長勢預(yù)測模型（見圖2）。

在分期模型中，把歸一化后的周期數(shù)、光照、氣溫、水層高度、濕度、光照時長、土壤含水率、土壤pH、土壤含氧量 作為輸入的因子，本階段的生長量Gi為期待輸出。網(wǎng)絡(luò)結(jié)構(gòu)為6-9-1三層結(jié)構(gòu)。以此將2006—2016年的數(shù)據(jù)為樣本輸入，2017年的數(shù)據(jù)用作網(wǎng)絡(luò)檢測。

4 實驗認(rèn)證及分析

4.1 試驗環(huán)境

試驗在江蘇高郵揚州大學(xué)農(nóng)學(xué)院的灌溉試驗田進行。供試水稻品種為南粳9108，高郵地區(qū)屬于典型的亞熱帶溫潤季風(fēng)氣候，主要受季風(fēng)環(huán)流影響。土質(zhì)為粉砂質(zhì)壤土。試驗田肥力水平中等偏上有機質(zhì)為20.20 g/kg，年平均氣溫18.8 ℃，年平均日照時間1 402.2 h，年平均降水量為1 002 mm，氮2.37 g/kg，速效磷9.5 mg/kg，速效鉀64 mg/kg。土壤排水和灌溉條件良好。每年一般在6月25日左右播種，7月15日左右移栽，秧苗有20d秧齡，各處理種植密度為17.8萬叢/hm2（28 cm×20 cm），多次重復(fù)，隨機區(qū)組排列同時做多組不同高度的水層對比實驗。

4.2 觀測指標(biāo)與方法

（1）試驗用水量。通過水表精確記錄每次灌水時間和水量。

（2）環(huán)境觀測。記錄各生育期內(nèi)溫度、濕度、光照強度、光照時長等氣候因素和土壤水分、土壤含氧量、土壤pH、有機質(zhì)含量等土壤因素。

（3）生長動態(tài)觀測。分別在水稻的六大生理周期中取樣，每隔3天處理選取若干叢代表水稻植株，采集對應(yīng)數(shù)據(jù)，測量株高、倒一葉至倒三葉的葉長、葉寬、最高莖蘗數(shù)、有效分蘗數(shù)、各個階段的干物質(zhì)量等，根據(jù)階段評判指標(biāo)人工進行判別長勢情況。

（4）考種測量。在收割前看一株上的穗數(shù)，每穗上實粒數(shù)、千粒重，計算出理論產(chǎn)量[14]。

4.3 結(jié)果分析

利用訓(xùn)練的模型系統(tǒng)對2017年的水稻生長情況進行預(yù)測，即根據(jù)當(dāng)年在不同周期的環(huán)境因素參數(shù)變量預(yù)測時段末的生長量以及最好的生長好壞情況。預(yù)測時段與實測資料一致，以便對預(yù)測模型進行驗證[15]（見表1），預(yù)測結(jié)果與訓(xùn)練結(jié)果如圖3所示。

5 結(jié)語

本文在分析了土壤和天氣等環(huán)境因素對作物生長的影響的基礎(chǔ)上，利用生長量來更加定量化地描述水稻在不同周期的長勢好壞趨勢，分析天氣和土壤等環(huán)境因素對水稻長勢的影響，建立了基于BP神經(jīng)網(wǎng)絡(luò)的水稻生長長勢預(yù)測模型。最后用網(wǎng)絡(luò)模型對2017年試驗區(qū)水稻生長長勢進行預(yù)測，得到的預(yù)測值較為準(zhǔn)確，表明將BP網(wǎng)絡(luò)用在水稻長勢情況預(yù)測上是可行的，在模型的完善上還需要進一步的研究工作。

[參考文獻]

[1]郭慶春，王素娟，何振芳.基于BP人工神經(jīng)網(wǎng)絡(luò)的土壤含水量預(yù)測模型的研究[J].山東農(nóng)業(yè)科學(xué)，2012（12）：11-15.

[2]程曼，袁洪波，蔡振江，等.基于全局變量預(yù)測模型的溫室環(huán)境控制方法[J].農(nóng)業(yè)工程學(xué)報，2013（s1）：177-183.

[3]AIPING W.Establishment of wheat yield prediction model in dry farming area based on neural network[J].Neuro Quantology，2018（6）：768-775.

[4]ZHANG Y，QIN Q.Winter wheat yield estimation with ground based spectral information[J].IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium，Valencia，2018（66）：6863-6866.

[5]邱才飛，邵彩虹，關(guān)賢交，等.節(jié)水灌溉對雙季晚稻農(nóng)田生態(tài)及水肥利用的影響[J].西北農(nóng)業(yè)學(xué)報，2018（4）：509-517.

[6]張倩.基于天氣預(yù)報信息解析的冬小麥灌溉預(yù)報研究[D].楊凌：西北農(nóng)林科技大學(xué)，2015.

[7]沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報，2008（5）：13-15.

[8]張清良，李先明.一種確定神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)的新方法[J].吉首大學(xué)學(xué)報（自然科學(xué)版），2002（1）：89-91.

[9]DAYHOFF J E，DELEO J M.Artificial neural networks[J].Cancer，2001（8）：1615-1634.

[10]高大文，王鵬，蔡臻超.人工神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點與訓(xùn)練次數(shù)的優(yōu)化[J].哈爾濱工業(yè)大學(xué)學(xué)報，2003（2）：85-87.

[11]馮艷，付強，李國良，等.水稻需水量預(yù)測的小波BP網(wǎng)絡(luò)模型[J].農(nóng)業(yè)工程學(xué)報，2007（4）：66-69.

[12]莊德續(xù).不同栽培、灌溉模式對水稻需水規(guī)律和產(chǎn)量的影響研究[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2015.

[13]朱士江，孫愛華，張忠學(xué)，等.不同節(jié)水灌溉模式對水稻分蘗、株高及產(chǎn)量的影響[J].節(jié)水灌溉，2013（12）：16-19.

[14]HOU，ZHAO Y X，ZHANG H F，et al.A novel method for predicting cadmium concentration in rice grain using genetic algorithm and back-propagation neural network based on soil properties[J].Environmental Science and Pollution Research International，2018（35）：35682-35692.

[15]YASEEN Z M，F(xiàn)U M，WANG C，et al.Application of the hybrid artificial neural network coupled with rolling mechanism and grey model algorithms for streamflow forecasting over multiple time horizons[J].Water Resources Management，2018（5）：1883-1899.