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(yàn)，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(yùn)用改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)其變化規(guī)律。經(jīng)過和幾種標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型對比，改進(jìn)后的預(yù)測算法效果更佳，誤差更小，更加貼合真實(shí)數(shù)據(jù)。在此基礎(chǔ)上搭建水稻長勢預(yù)測系統(tǒng)，為水稻的科學(xué)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(luò);遺傳算法;預(yù)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(yīng)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(chǔ)上，著重研究了不同周期內(nèi)長勢的預(yù)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(yù)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(jià)，第3節(jié)主要介紹改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)，第4節(jié)是預(yù)測系統(tǒng)的實(shí)現(xiàn)，最后一節(jié)進(jìn)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(xué)者紛紛把人工智能的方法應(yīng)用到作物生長預(yù)測及其相關(guān)領(lǐng)域中，對這種復(fù)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(yù)報(bào)資料，把通過Penman-Monteith公式計(jì)算出的ETo作為預(yù)期輸出，并將天氣狀況和風(fēng)力風(fēng)速進(jìn)行標(biāo)量化，選取天氣預(yù)報(bào)中溫度、天氣陰晴指數(shù)、風(fēng)力等級等可測因子，建立了參考作物BP-ETo神經(jīng)網(wǎng)絡(luò)預(yù)測模型。尚松浩等[2]考慮多個(gè)因素對土壤貯水量的影響和土壤貯水量動(dòng)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(luò)的冬小麥田間墑情預(yù)報(bào)模型。

本文以江蘇省揚(yáng)州大學(xué)農(nóng)學(xué)院水稻灌溉區(qū)試驗(yàn)田為研究區(qū)域，以試驗(yàn)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(jìn)Elman神經(jīng)網(wǎng)絡(luò)的水稻生長預(yù)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(jìn)行了改進(jìn)，使得Elman神經(jīng)網(wǎng)絡(luò)性能達(dá)到最佳，提高了預(yù)測模型的精準(zhǔn)度。

2? ? 水稻不同生育期評價(jià)

水稻在時(shí)間片區(qū)內(nèi)長得好不好要由農(nóng)業(yè)上的參數(shù)指標(biāo)來進(jìn)行評價(jià)，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(shí)間如表1所示。

3? ? 改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)

3.1? 標(biāo)準(zhǔn)Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)由Jeffrey L·Elman[3-4]于1990年提出，它在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上，在隱含層增加一個(gè)承接層，作為一步延時(shí)算子，達(dá)到記憶的目的，這樣的結(jié)構(gòu)使得Elman神經(jīng)網(wǎng)絡(luò)對歷史數(shù)據(jù)具有敏感性，有利于動(dòng)態(tài)過程的建模。

3.2? 改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的流程

改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)流程的實(shí)現(xiàn)主要包括以下幾個(gè)步驟。

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

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

計(jì)算出的誤差值越小，網(wǎng)絡(luò)訓(xùn)練效果越好，則適應(yīng)度值越大。借用Elman神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)定義適應(yīng)度函數(shù)為：

式（2）中，yd為網(wǎng)絡(luò)實(shí)際輸出值，y為期待輸出，避免分母為0，ξ為較小的一個(gè)常數(shù)。

（3）遺傳操作的確定，選擇、交叉或變異。

（4）按照適應(yīng)度函數(shù)公式（2）計(jì)算出個(gè)體適應(yīng)度。

（5）按照（3）的遺傳操作策略對種群進(jìn)行操作，得到子代。

（6）判斷種群是否滿足性能指標(biāo)或達(dá)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(yù)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(jìn)Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建水稻生長長勢預(yù)測模型的基礎(chǔ)上搭建出原型系統(tǒng)。預(yù)測系統(tǒng)架構(gòu)上大致可以分為4個(gè)部分。

（1）數(shù)據(jù)采集端：主要負(fù)責(zé)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(wù)交互。

（3）后臺預(yù)測服務(wù)端：主要負(fù)責(zé)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(yù)測模型來預(yù)測出對應(yīng)天數(shù)的生長量值。

（4）顯示終端：主要負(fù)責(zé)展示設(shè)備狀態(tài)、環(huán)境指標(biāo)歷史走勢與水稻長勢的預(yù)測結(jié)果。

點(diǎn)擊生長預(yù)測功能標(biāo)簽，即可進(jìn)入水稻生長預(yù)測的界面，如圖1所示，選定預(yù)測的時(shí)間和所處的生育階段，系統(tǒng)將自動(dòng)把本季此時(shí)之前的環(huán)境數(shù)據(jù)和上一個(gè)階段的生長量輸入改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)模型計(jì)算，紫色線則為對應(yīng)水稻預(yù)測的效果圖。

5? ? 結(jié)語

水稻的生長是一個(gè)相對復(fù)雜的動(dòng)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(dá)到精準(zhǔn)預(yù)測各生育期水稻長勢的目的，在前人研究的基礎(chǔ)上，提出了一種基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的水稻生長模型，并將該方法應(yīng)用到水稻生長預(yù)測方面，構(gòu)建了整套水稻生長預(yù)測原型系統(tǒng)。

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

[參考文獻(xiàn)]

[1]徐俊增，彭世彰，張瑞美，等.基于氣象預(yù)報(bào)的參考作物蒸發(fā)蒸騰量的神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].水利學(xué)報(bào)，2006（3）：376-379.

[2]尚松浩，雷志棟，楊詩秀.冬小麥田間墑情預(yù)報(bào)的經(jīng)驗(yàn)?zāi)Ｐ蚚J].農(nóng)業(yè)工程學(xué)報(bào)，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.