黃 珍，劉 濤

（1.九江職業(yè)技術學院信息工程學院 江西，九江 332007；2.九江職業(yè)技術學院機械工程學院 江西，九江 332007）

引言

糧食保障是國民經(jīng)濟的重中之重，農(nóng)業(yè)發(fā)展一直是我國的長久大計，農(nóng)業(yè)持續(xù)發(fā)展，也伴隨著一系列問題，例如農(nóng)業(yè)生產(chǎn)周期長、成本高、農(nóng)業(yè)產(chǎn)品品質參差不齊、化肥引發(fā)的環(huán)境問題等[1]。國家相關研究報告指出，我國的農(nóng)業(yè)作物施肥利用率僅35%，而發(fā)達國家這一指標達到了65%，全國地下水硝酸鹽含量超標50%，土地污染率近20%，數(shù)萬畝農(nóng)田受到重金屬污染[2]。由于我國的土地施肥體量巨大，也造成了土壤肥力的下降和經(jīng)濟資源的浪費，長此以往會加劇生態(tài)環(huán)境污染問題[3]。

隨著科學技術的發(fā)展，精準農(nóng)業(yè)技術可以改善上述一系列問題，該技術根據(jù)土壤特質和農(nóng)作物習性來進行土地精準施肥，可以嚴格控制施肥量。既能合理利用肥料資源，又有效抑制了土地富營養(yǎng)化程度，最終確保農(nóng)產(chǎn)品的有效生長，有益于農(nóng)業(yè)作物可持續(xù)發(fā)展[4]。精準農(nóng)業(yè)這一技術是信息科學發(fā)展的產(chǎn)物，主要原理是根據(jù)農(nóng)作物的生長習慣和土地的養(yǎng)分結構進行分析，合理利用化肥含量來保持化肥養(yǎng)分和農(nóng)作物產(chǎn)量之間的關系，利用精確控制的手段對農(nóng)作物進行科技化管理。精準農(nóng)業(yè)的實施，不僅減少農(nóng)業(yè)生產(chǎn)的成本投入，更促進農(nóng)業(yè)產(chǎn)量的提升，極大地節(jié)省土地資源，使得生態(tài)環(huán)境得以改善并保持土地肥力[5]。

農(nóng)業(yè)科技發(fā)展有著多年的歷史，使用科學技術也解決很多農(nóng)業(yè)問題。1988 年神經(jīng)網(wǎng)絡技術產(chǎn)生，它是由Moody 和Darken 等率先提出，是一種具有自適應結構且性能優(yōu)異的徑向基函數(shù)神經(jīng)網(wǎng)絡[6]。該算法可以通過將非線性問題引出線性空間，選擇合適的算法解決實際問題，整個算法具有高準確性和高效率[7]。目前國內(nèi)外對于農(nóng)業(yè)技術的研究正如火如荼地進行，我國對于精準農(nóng)業(yè)領域也開始展開研究，結合一系列實驗數(shù)據(jù)順利取得了多項農(nóng)業(yè)研究成果，并開發(fā)出適用于不同農(nóng)作物的農(nóng)業(yè)科學系統(tǒng)，其中包括小麥、棉花、水稻和玉米等農(nóng)作物培育系統(tǒng)[8]。我國的精準農(nóng)業(yè)范圍涉及施肥控制、農(nóng)產(chǎn)品狀態(tài)預測、產(chǎn)量預測、病蟲害防治等方面，農(nóng)業(yè)業(yè)務系統(tǒng)發(fā)展全面，具備良好的態(tài)勢。

隨著神經(jīng)網(wǎng)絡技術廣泛應用于各行各業(yè)，在農(nóng)業(yè)方面，可通過神經(jīng)網(wǎng)絡算法構建了生態(tài)農(nóng)業(yè)、數(shù)字農(nóng)業(yè)、精準農(nóng)業(yè)等體系，精準農(nóng)業(yè)很好的解決了施肥資源浪費的問題。劉永利等[9]在2010年構建了玉米精準施肥系統(tǒng)，這項成果也是基于神經(jīng)網(wǎng)絡研發(fā)而來；Minrui ZHENG[10]在2011年通過數(shù)據(jù)采集的方法收集整理了華北地區(qū)小麥和玉米等農(nóng)作物的農(nóng)業(yè)生產(chǎn)資料，利用大數(shù)據(jù)技術建立了農(nóng)作物的精確施肥系統(tǒng)，根據(jù)地區(qū)土壤特性和農(nóng)作物生產(chǎn)規(guī)律而改變施肥量，該系統(tǒng)便捷且高效；劉運韜等[11]在2015年利用BP神經(jīng)網(wǎng)絡開發(fā)出來測土配方施肥模型，其利用BP 神經(jīng)網(wǎng)絡對農(nóng)機的總動力和年份的映射函數(shù)等進行相關研究，預測了農(nóng)機總動力的組合情況，對農(nóng)業(yè)技術的發(fā)展趨勢進行了一定的預測。但是現(xiàn)有研究在種植密度與施肥量及產(chǎn)物的變化量之間的互相影響的研究中卻并未給出較為嚴謹且可實施的方法，因此本文將著重展開對基于神經(jīng)網(wǎng)絡算法的精準施肥模型進行建立及仿真分析[12]，從而獲得較優(yōu)的參數(shù)組合。

1 材料與方法

1.1 試驗地概況

試驗地地處江西九江，該試驗區(qū)年均溫度為5.7℃，年降雨量為601 mm，有效的積溫為2700℃。試驗區(qū)地勢平坦，常年雨量充沛，非常適合種植玉米。試驗田前期均無做過施肥試驗，且土壤具有較好的理化指標。

1.2 試驗方案設計

在具體的試驗過程中，為了更好的對施肥量和種植密度進行研究，在試驗中選擇種植密度、施N量、施P量等作為試驗的相關因素，其中為了更好的響應玉米產(chǎn)量指標，我們將不同的參數(shù)作用在玉米產(chǎn)量影響的試驗上，響應的指標數(shù)量越大則說明其研究的效果越好。試驗方案如下：首先，將試驗地分為15塊研究區(qū)域，并對其進行隨機排列；其次，采用大壟雙行的種植模式對研究田進行種植；然后根據(jù)試驗設計對種植的玉米進行科學管理，待作物成熟后對其進行收獲、人工標識烘干、稱重以及記錄產(chǎn)量等，最終得出試驗方案結果。

1.3 試驗數(shù)據(jù)采集

試驗前期根據(jù)具體的施肥特性對試驗田進行詳細的網(wǎng)絡劃分。具體操作為：試驗田整體尺寸為40 m×60 m，然后將整塊試驗田依據(jù)4 m×4 m 的網(wǎng)絡進行劃分，并同時對劃分的地區(qū)進行數(shù)據(jù)編號，從A1-A15 共分為15 塊研究區(qū)域[13]。然后按照網(wǎng)絡劃分試驗對每一塊試驗地進行試驗數(shù)據(jù)的采集，采集的數(shù)據(jù)包括不同區(qū)域的土壤養(yǎng)分量數(shù)據(jù)、施肥量、玉米的預測產(chǎn)量等，最終采集得到的數(shù)據(jù)結果如表1所示。

表1 試驗田采集試驗數(shù)據(jù)表

2 BP神經(jīng)網(wǎng)絡模型結構設計

2.1 基于BP神經(jīng)網(wǎng)絡算法概述

BP 神經(jīng)網(wǎng)絡模型的創(chuàng)建與訓練和BP 神經(jīng)網(wǎng)絡的全局優(yōu)化這兩種方式都是對于BP 神經(jīng)網(wǎng)絡的優(yōu)化方式。BP神經(jīng)網(wǎng)絡的創(chuàng)建最開始需要知道構建模型的網(wǎng)絡層數(shù)量，接著是神經(jīng)元數(shù)量，掌握函數(shù)關系和數(shù)據(jù)歸一化范圍，最后對構建模型層級權重和極值設定初始值。整體流程是利用大量的實驗，在實驗數(shù)據(jù)的基礎上進行訓練，逐步構建學習型網(wǎng)絡模型，直至訓練產(chǎn)生的網(wǎng)絡層神經(jīng)元與實際要求精度之間的誤差相差無幾，在此過程后保存網(wǎng)絡權重和極值來構建激勵和響應非線性關系響應。

BP神經(jīng)網(wǎng)絡全局優(yōu)化的基本思路為隨機選取一個初始向量點X（0），判斷其梯度是否為零，若為零則X（0）為最優(yōu)解，反之則在一個步長的基礎上重新沿梯度方向找隨機點X（2），判斷條件為是否滿足約束，不滿足則減半步長，重新選取X（t）（t 為迭代次數(shù)且取大于零的整數(shù)），此時注意步長的值，若為零則X（t）為最佳計算結果，結束計算過程；反之步長不等于零且X（0）劣于X（t）時，用X（t）替換X（0）來完成一次迭代過程，緊接著基于X（0）開展后面的一系列迭代計算；另一種情況為步長不等于零但是X（t）劣于X（0），將繼續(xù)縮短步長來判斷X（t+k）（k等于大于零的整數(shù)）是否取得優(yōu)于X（0）結果，或者使得迭代終止。當X（t+k）滿足優(yōu)于X（0）的條件時，將X（t+k）替換X（0）實現(xiàn)一次迭代，隨后基于X（0）進行后續(xù)迭代計算。

當X（1）與X（0）比較且滿足約束條件，X（0）劣于X（1）時，通過加大步長的方式得到一個X（2），如果X（2）優(yōu)于X（1）且滿足約束條件，同上述步驟加大步長，直到X（t-1）優(yōu)于X（t）或者約束條件不滿足，然后將上一步驟得到的點用X（t-1）表示，完成一次迭代過程，用X（t-1）替代X（0）來進行后續(xù)迭代計算。當X（0）優(yōu)于X（1）且X（1）符合約束條件時，通過縮短一半步長得到一個X（2），如果X（2）不符合約束條件，將繼續(xù)執(zhí)行步長減半操作，最終使得X（t）符合約束條件。當X（0）優(yōu)于X（2）且X（2）符合約束條件，繼續(xù)縮短一半步長來達到X（0）劣于X（t）或者迭代終止條件。如果X（0）劣于X（t），用X（t）替代X（0）實現(xiàn)一次迭代，最后基于X（0）執(zhí)行后續(xù)迭代計算過程。

2.2 神經(jīng)網(wǎng)絡植密度和施肥量的數(shù)學模型建立

本文對于玉米種植密度和施肥量優(yōu)化模型的設計利用三層BP神經(jīng)網(wǎng)絡來構建，分別包含輸入層、隱含層、輸出層。整體試驗選取四個變量分別為玉米種植密度、施K2O 量、施P2O5量、施N 量，設置x1、x2、x3、x4 四個輸入層神經(jīng)元分別為種植密度、施N 量、施P2O5量、施K2O 量；另外采用一個目標函數(shù)，一個輸出層神經(jīng)元數(shù)量，玉米產(chǎn)量設置為變量y1，隱含層神經(jīng)元數(shù)通過下列公式計算：

其中p、n 和q 分別為隱含層、輸入層和輸出層節(jié)點數(shù)，z為1～10的經(jīng)驗值，通過計算可知隱含層神經(jīng)元數(shù)的大致范圍在4～12之間，進一步網(wǎng)絡性能測試確定其真實數(shù)量為7。圖1展示了BP神經(jīng)網(wǎng)絡的詳細結構。

圖1 BP神經(jīng)網(wǎng)絡結構圖

不管輸入層到隱含層還是隱含層到輸出層，單級Sigmoid函數(shù)都可以作為它們的傳遞函數(shù)，將種植密度、施肥量和產(chǎn)量三者之間結合得出目標函數(shù)關系式：

式中f（）代表BP 神經(jīng)網(wǎng)絡輸入層到隱含層、隱含層至輸出層的傳遞函數(shù)單級Sigmoid函數(shù)；X=[x1，x2，x3，x4]T 和Y=[y1]分別代表為輸入向量和輸出向量；F（X）、W 分別為輸入與輸出之間的關系和輸入層與隱含層的權值矩陣；θ1、θ2和V分別為隱含層和輸出層的閾值、隱含層與輸出層的權值矩陣。

2.3 玉米種植密度和施肥量的全局優(yōu)化

在構建具體模型時，首先使用神經(jīng)網(wǎng)絡對網(wǎng)絡中隱蔽的激活函數(shù)進行一定的監(jiān)測和選擇，務必使用相匹配的激活函數(shù)進行綜合構建，這樣才能使構建的模型更加的穩(wěn)定和精準[14]。經(jīng)過一定的計算分析，本文選用高斯函數(shù)為本次試驗中精準施肥模型構建的激活函數(shù)，具體函數(shù)形式如公式（3）所示。

經(jīng)過相關計算可以得出具體的非線性的映射形式的方程為：

3 模型仿真及結果分析

在具體的試驗中，對采集到的試驗田數(shù)據(jù)進行分類概況，將樣本數(shù)據(jù)中的土壤養(yǎng)分含量、實際的施肥量以及玉米的實際產(chǎn)量進行試驗數(shù)據(jù)的分析，將無效的樣本數(shù)據(jù)進行去除，保留有效信息共15個，并將有效的樣本數(shù)據(jù)信息進行訓練集的認證，10個進行驗證集認證，10個進行測試集的認證。其10 次的BP 神經(jīng)網(wǎng)絡優(yōu)化的計算結果如表2所示。

表2 10次BP神經(jīng)網(wǎng)絡優(yōu)化結果

根據(jù)表2可以對BP神經(jīng)網(wǎng)絡的起始點和優(yōu)化解進行研究，然后將訓練穩(wěn)定的數(shù)據(jù)模型應用到玉米產(chǎn)地的精準試驗作業(yè)中，并對試驗田中的玉米土壤信息進行精準施肥量的具體測試[16]，可以得出該試驗田最佳的玉米產(chǎn)量為15209.48 kg/hm2。然后對構建好的系統(tǒng)BP模型的網(wǎng)絡誤差進行系統(tǒng)仿真，其最終仿真結果如圖2所示。

圖2 精準施肥模型網(wǎng)絡預測誤差

圖2所表示的是神經(jīng)網(wǎng)絡算法精準施肥模型的網(wǎng)絡預測誤差圖，從圖中可以得到所構建的模型對于試驗田土壤中N、P、K 含量的預測相對較為準確，且相對誤差處在0.1%左右，其中較高的誤差也只有0.25%左右[17]。因此從試驗結果以及仿真結果中來看，可以較為明顯的看出所構建的精準施肥模型所預測到的值與實際測量出的值基本處于吻合狀態(tài)。利用BP 網(wǎng)絡神經(jīng)對實際試驗田的玉米產(chǎn)量進行驗證，結果如表3所示。

表3 基于BP神經(jīng)網(wǎng)絡優(yōu)化的玉米產(chǎn)量結果驗證表

因此可見，試驗結果充分證明了所構建的模型在實際的預測中有著較高的擬合精度，誤差范圍較小，有著較高的預測精度。所構建的基于BP 神經(jīng)網(wǎng)絡算法的精準施肥模型在玉米的最終產(chǎn)量上有著較大的優(yōu)勢，完全可以滿足農(nóng)業(yè)生產(chǎn)的需求，提升農(nóng)業(yè)水準。

3 討論

通過對BP網(wǎng)絡神經(jīng)的模型結構進行構建及設計，確定了在玉米精準施肥過程中，神經(jīng)網(wǎng)絡的作用，很明顯在產(chǎn)量上有著較為顯著的差異性。其中BP 神經(jīng)網(wǎng)絡算法的構建，首先應該對其神經(jīng)元的網(wǎng)絡層以及數(shù)量進行綜合確認比對，利用函數(shù)的歸一化選擇進行模擬量的構建，通過確定的模型層級和初始設定值對網(wǎng)絡神經(jīng)進行計算分析，最終便可得到適合本次研究的最終算法模型，并將其合理利用到相關的研究中。文中最終確定利用三層BP神經(jīng)網(wǎng)絡進行綜合構建，將輸入層、隱含層、輸出層充分應用到設計之中，對試驗田中玉米種植密度、施K2O 量、施P2O5量、施N 量4 種化學量進行檢測，通過與最終的產(chǎn)量進行對比，確定了該模型的合理化與實用化。試驗結果表明，所建立的模型在玉米種植產(chǎn)量中具有較高的擬合度，說明本模型的適用性和實用性。當前科學技術不斷發(fā)展進步，可以合理的使用該模型進行農(nóng)業(yè)生產(chǎn)，以此提升產(chǎn)能。

4 結論

信息技術大力發(fā)展，科學技術、人工智能充斥著各個領域，并且以更加迅猛的速度向前發(fā)展。這也影響到我國傳統(tǒng)農(nóng)業(yè)的發(fā)展，信息技術的發(fā)展促使農(nóng)業(yè)技術轉向現(xiàn)代科學的智慧農(nóng)業(yè)技術。而在具體的農(nóng)業(yè)技術中，施肥是其中的重中之重，對農(nóng)作物的后期生長和產(chǎn)量起著決定性的作用，因此本文主要結合了BP網(wǎng)絡神經(jīng)元的計算方法對玉米的精準施肥模型進行了構建，可以在提高農(nóng)作物產(chǎn)量的同時，也對當?shù)亟?jīng)濟的發(fā)展提供大力的技術支撐。

文章從具體的試驗以及仿真出發(fā)，建立了基于BP神經(jīng)網(wǎng)絡的施肥模型，并對該模型進行研究，從研究結果來看，BP模型較傳統(tǒng)單一的算法模型更具魯棒性，在算法的穩(wěn)定性和結果的精度方面都有著較為高質量的提升。通過具體的試驗，系統(tǒng)性的對神經(jīng)網(wǎng)絡算法的精準施肥模型進行了相關的構建，并對其進行仿真分析。結果顯示，所構建的模型在很大程度上有著精度高、效率高的特點，在解決非線性的相關問題時，收斂速度較為高效且具備較強的收斂性。通過具體試驗仿真分析表明該模型在實際的農(nóng)業(yè)生產(chǎn)中對土壤的擬合度有著較高的契合度，并且在玉米產(chǎn)量與精準施肥實施中能夠起到輔助性的作用，完全可用于玉米產(chǎn)業(yè)的實際生產(chǎn)過程，為農(nóng)業(yè)項目實施中的精準施肥提供高效可靠的技術依據(jù)。