伍丹華，周禮梅 （.江蘇省東臺(tái)市安豐鎮(zhèn)農(nóng)業(yè)技術(shù)推廣綜合服務(wù)中心，江蘇 東臺(tái) 400 .江蘇省東臺(tái)市富安鎮(zhèn)農(nóng)業(yè)技術(shù)推廣綜合服務(wù)中心，江蘇 東臺(tái) 400）

東臺(tái)市農(nóng)業(yè)在市場(chǎng)資源配置中決定性不高、人居產(chǎn)量和消費(fèi)匹配度還有差距，人口增長(zhǎng)和耕地保有量存在結(jié)構(gòu)性矛盾，還需要建立增長(zhǎng)點(diǎn)、增長(zhǎng)極，增強(qiáng)內(nèi)生發(fā)展動(dòng)力。面對(duì)東臺(tái)市糧情和生產(chǎn)情況，江蘇省東臺(tái)市堅(jiān)持糧食生產(chǎn)要穩(wěn)字當(dāng)頭，穩(wěn)政策、穩(wěn)面積、穩(wěn)產(chǎn)量，堅(jiān)持“三農(nóng)”工作優(yōu)先保障投入，做好糧食產(chǎn)量預(yù)測(cè)，對(duì)決策部門具有現(xiàn)實(shí)的指導(dǎo)意義和參照依據(jù)。糧食預(yù)測(cè)產(chǎn)量模型具有多樣性、指標(biāo)性和全面系統(tǒng)性問(wèn)題，目前已有的諸多預(yù)測(cè)方法誤差相對(duì)較大，精度不高。隨著人們意識(shí)形態(tài)的不斷提高，農(nóng)業(yè)大數(shù)據(jù)智能化的逐步應(yīng)用，Back progagation（BP）神經(jīng)網(wǎng)絡(luò)彌補(bǔ)了傳統(tǒng)預(yù)測(cè)和估算方法的缺陷，具有較好的預(yù)測(cè)特性。本文利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行糧食產(chǎn)量預(yù)測(cè)，目的在于精準(zhǔn)預(yù)測(cè)糧食產(chǎn)量，對(duì)東臺(tái)市糧食生產(chǎn)進(jìn)行前瞻性、可見(jiàn)性預(yù)測(cè)，更符合東臺(tái)市糧食生產(chǎn)的實(shí)際。

1 東臺(tái)市糧食產(chǎn)量模型的建立

1.1 神經(jīng)網(wǎng)絡(luò)模型工作原理

BP網(wǎng)絡(luò)是一種按誤差正反向互交的網(wǎng)絡(luò)，包括前端、中端和后端的幾層反饋的神經(jīng)網(wǎng)絡(luò)，特點(diǎn)就是信號(hào)向前不斷反復(fù)傳遞，誤差后向反復(fù)不斷傳播。在正向傳遞過(guò)程中，輸入矢量數(shù)據(jù)先經(jīng)過(guò)輸入層輻射傳遞到隱含層一步步處理，直到輸出層。每一層的輸出量只會(huì)影響下一層的處理層。如果輸出層得不到每一層的預(yù)期數(shù)據(jù)輸出，則再轉(zhuǎn)入上一層進(jìn)行反向傳播，在這個(gè)過(guò)程中不斷修正和調(diào)整網(wǎng)絡(luò)權(quán)限和閾值，最后的BP神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)預(yù)測(cè)不斷跟真實(shí)值相近。一般BP網(wǎng)絡(luò)必須要求與輸入相對(duì)應(yīng)的希望輸出構(gòu)成不斷學(xué)習(xí)訓(xùn)練，通過(guò)訓(xùn)練使網(wǎng)絡(luò)具有記憶和預(yù)測(cè)的功能。對(duì)網(wǎng)絡(luò)進(jìn)行初始化后，確定系統(tǒng)輸入輸出矢量，分別確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)及輸出層、初始化輸入層、隱含層和輸出層神經(jīng)元的權(quán)限，隱含層及輸出層閾值，再給與學(xué)習(xí)速率和神經(jīng)元鼓勵(lì)函數(shù)。隱含層輸入值，是根據(jù)輸入向量，輸入層和隱含層間連權(quán)限以及隱含層閾值來(lái)計(jì)算。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸入值，是根據(jù)隱含層輸入值，連接權(quán)限和閾值來(lái)計(jì)算。最后預(yù)測(cè)誤差根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出值和期望輸入值計(jì)算得出。算法流程如下圖1：

1.2 BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量模型參數(shù)確定

現(xiàn)實(shí)解決問(wèn)題過(guò)程中，目前在該領(lǐng)域利用實(shí)驗(yàn)軟件，選取大量的計(jì)算和試驗(yàn)指標(biāo)應(yīng)用神經(jīng)網(wǎng)絡(luò)算法。為減少大量的研究和計(jì)算的工作量，實(shí)驗(yàn)軟件提供了神經(jīng)網(wǎng)絡(luò)工具箱，在實(shí)際解決問(wèn)題過(guò)程中減少了時(shí)間，也提供了便利的條件。該模型選取糧食種植面積、農(nóng)藥施用量、化肥施用量、農(nóng)業(yè)機(jī)械化總動(dòng)力、農(nóng)用排灌動(dòng)力機(jī)械5個(gè)指標(biāo)為神經(jīng)網(wǎng)絡(luò)輸入值，輸出變量為糧食產(chǎn)量，根據(jù)模型建立糧食產(chǎn)量BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)在確定了輸入量和輸出量以后首先進(jìn)行變量的規(guī)范化處理。本文研究采用Sigmoid函數(shù)的取值范圍為[-1，1]，采用 神經(jīng)網(wǎng)絡(luò)工具箱中的premnmx專用函數(shù)進(jìn)行規(guī)范化處理，然后進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的建立。本文通過(guò)三層BP網(wǎng)絡(luò)隱層節(jié)點(diǎn)的數(shù)目，可確定隱含層節(jié)點(diǎn)數(shù)為11，這樣就可以構(gòu)成了一個(gè)“5-11-1”的BP神經(jīng)網(wǎng)絡(luò)模型。其隱含層及輸出層傳遞函數(shù)分別采用雙曲正切函數(shù)（tansig）及線性函數(shù)（purelin），采用進(jìn)一步割線算法（trainoss）。設(shè)置最大迭代次數(shù)2000，誤差值期望0.01。

2 東臺(tái)市糧食產(chǎn)量預(yù)測(cè)與結(jié)果分析

東臺(tái)市位于江蘇省中部，鹽城市最南端，東至黃海，南與海安縣接壤，西與泰州市興化市毗鄰，北與鹽城大豐區(qū)交界，區(qū)域總面積3175.15平方公里。東臺(tái)市是鹽城糧食產(chǎn)量豐富的縣級(jí)市之一，為鹽城成為江蘇省最大的農(nóng)業(yè)生產(chǎn)市起到舉足輕重的作用，因?yàn)椋Z食精準(zhǔn)預(yù)測(cè)十分重要，東臺(tái)市自然資源豐富，但經(jīng)濟(jì)發(fā)展水平還有一定的差異性，對(duì)東臺(tái)市實(shí)際情況做的大量的調(diào)查研究后，選取了與糧食產(chǎn)量密切相關(guān)的5個(gè)指標(biāo)作為網(wǎng)絡(luò)的輸入值，糧食產(chǎn)量作為輸出值[2]。

以2009-2018年的數(shù)據(jù)為基礎(chǔ)，選取2009-2013年5個(gè)年份影響因素和糧食產(chǎn)量數(shù)據(jù)作為訓(xùn)練樣本，以2014-2018年的影響因素和糧食產(chǎn)量數(shù)據(jù)作為檢驗(yàn)樣本。具體指標(biāo)數(shù)據(jù)如表1，數(shù)據(jù)來(lái)源于東臺(tái)市統(tǒng)計(jì)年鑒。

表1 2009-2018年?yáng)|臺(tái)市糧食產(chǎn)量及影響因子

在MATLAB（R2014a）實(shí)驗(yàn)環(huán)境下，調(diào)用BP神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)。選取了Trainlm函數(shù)，學(xué)習(xí)函數(shù)為L(zhǎng)earngdm，傳遞函數(shù)Tansig，輸出函數(shù)設(shè)定為L(zhǎng)ogsig。網(wǎng)絡(luò)層次設(shè)計(jì)的參數(shù)規(guī)定如下：隱含神經(jīng)元素9個(gè)，輸出元素1個(gè)，學(xué)習(xí)率0.01，終止參數(shù)設(shè)最大批次2000次，步長(zhǎng)Epochs為1000，精度0.0001層。在以上設(shè)計(jì)的基礎(chǔ)上，編寫(xiě)B(tài)P預(yù)測(cè)網(wǎng)絡(luò)設(shè)計(jì)與練習(xí)，經(jīng)過(guò)多次驗(yàn)證，取得了較好的預(yù)測(cè)結(jié)果，如下圖2所示。

通過(guò)10個(gè)樣本的檢驗(yàn)，2008-2017年的預(yù)測(cè)值與真實(shí)值的誤差均小于3%，具有高度的精確性，取得了較好的擬合結(jié)果。誤差稍大的點(diǎn)出現(xiàn)在2015、2016年糧食產(chǎn)量預(yù)測(cè)數(shù)據(jù)圖形中，在2017年預(yù)模型中又適時(shí)得到了相應(yīng)的調(diào)整，表現(xiàn)出模型較好的自調(diào)劑和自適應(yīng)的特點(diǎn)，預(yù)測(cè)結(jié)果相對(duì)穩(wěn)定，達(dá)到與現(xiàn)實(shí)比較后的預(yù)期結(jié)果。根據(jù)此模型可以對(duì)未來(lái)年份的東臺(tái)市糧食產(chǎn)量進(jìn)行預(yù)測(cè)。再次輸入2010-2018年的數(shù)據(jù)作為樣本輸入，根據(jù)模型預(yù)測(cè)2019年的糧食產(chǎn)量，仿真結(jié)果為64589萬(wàn)噸，國(guó)家統(tǒng)計(jì)局公布的2019年的東臺(tái)市糧食產(chǎn)量為64896萬(wàn)噸，數(shù)據(jù)比對(duì)后，二者誤差基本可以忽略，表明BP算法對(duì)東臺(tái)市糧食產(chǎn)量的預(yù)測(cè)是匹配的。

3 結(jié)論

針對(duì)東臺(tái)市糧食產(chǎn)量預(yù)測(cè)問(wèn)題，普通統(tǒng)計(jì)模型對(duì)糧食產(chǎn)量預(yù)測(cè)準(zhǔn)確性不高，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于糧食產(chǎn)量預(yù)測(cè)，精度高，自適應(yīng)能力好。本文提出了基于BP算法的模型，以2008-2018年?yáng)|臺(tái)市糧食產(chǎn)量為檢驗(yàn)樣本進(jìn)行檢測(cè)，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)較穩(wěn)定，結(jié)果得到預(yù)期，有著傳統(tǒng)方法不可代替的優(yōu)勢(shì)。該模型擬合了復(fù)雜的非線性系統(tǒng)問(wèn)題，為東臺(tái)市糧食產(chǎn)量預(yù)測(cè)提供了新的有效方法。但本文中還存在不足的地方，沒(méi)有充分考慮到糧食產(chǎn)量與其他更多影響因素之間的關(guān)系，預(yù)測(cè)方法相對(duì)宏觀。此外，BP網(wǎng)絡(luò)算法中還有神經(jīng)網(wǎng)絡(luò)收斂慢和容易陷入局部極小值的問(wèn)題，所以，BP網(wǎng)絡(luò)算法還有些缺陷，有待進(jìn)一步優(yōu)化提高。