摘要：為實現土壤墑情預測，文章以天津市薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個氣象墑情自動監(jiān)測站2018—2021年的3年數據為基礎，對土壤墑情預測模型進行研究建立，并選取站點編號、空氣溫度、空氣濕度、風速、風向等19項影響因子訓練Elman神經網絡，對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預測。結果顯示，3個時期土壤墑情平均預測精度分別達到96.64%、90.60%、85.59%，表明Elman神經網絡具有穩(wěn)定性好、精度高的特點，訓練出的土壤墑情預測模型準確度高，可為農業(yè)生產管理提供依據。

關鍵詞：土壤墑情；Elman神經網絡；短期預測；中長期預測

中圖分類號：S152.7

文獻標識碼：A

土壤墑情是指土壤濕度和土壤水分的狀況。土壤欠墑和墑過量均會嚴重影響農作物生長，如春旱失墑會使小麥春生分蘗量減少，單位面積總穗數減少，從而影響小麥產量；夏季澇災排水遲緩會使玉米等農作物長時間浸泡而影響根系和地上部生長，嚴重時會導致農作物根系腐爛，植株死亡。因此，適宜的土壤墑情是農作物健康生長、增產增收的必要條件。通過分析和預測土壤墑情數據，可預測農作物受旱受澇情況，從而科學指導農業(yè)灌溉排水，提高農作物產量，保障國家糧食生產安全。

目前，土壤墑情預測模型研究主要分為兩類：一類是基于土壤水分平衡和土壤水動力學的水理論預測模型，如侯瓊和郝文俊[1]建立了土壤水分動態(tài)預測模型來預測內蒙古自治區(qū)玉米田的土壤墑情；一類是基于數據統(tǒng)計的預測模型，如白冬妹等[2]應用時間序列自回歸模型預測土壤含水量；尚松浩等[3]建立了BP神經網絡模型預測小麥田土壤墑情。

本研究主要應用Elman神經網絡模型對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預測，旨在將神經網絡模型應用于農業(yè)生產，為利用土壤墑情預測數據開展科學灌排提供依據。

1 "數據來源與數據處理

1.1 " 數據來源

本研究區(qū)域為天津市境內。天津地區(qū)的主要氣候特征為四季分明，春季多風，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 ℃，出現在2017年7月11日的靜海區(qū)，最低氣溫為-22.6 ℃，出現在2021年1月6日的薊州區(qū)；年平均降水量一般在370～750 mm之間，降水大部分集中在每年6—9月，但2021年降水量為979.1 mm，創(chuàng)下1961年以來氣象降水記錄的最高值。

本研究數據來源于天津市薊州區(qū)、靜海區(qū)、寧河區(qū)、濱海新區(qū)的10個氣象墑情自動監(jiān)測站（表1）。每個氣象墑情自動監(jiān)測站點均可同時監(jiān)測空氣氣象數據和土壤墑情數據，其中氣象數據包括空氣溫度、空氣濕度、風速、風向、光照、雨量、蒸發(fā)量、大氣壓力、露點溫度、作物蒸騰蒸發(fā)量；土壤墑情數據包括土壤體積含水量、土壤相對含水量、土壤溫度、土壤鹽分。土壤墑情數據均為20、40、60、80 cm 4個土層深度的數據。調查時間為2018年9月1日至2021年8月31日，共計3年。

1.2 " 數據處理

為確保監(jiān)測數據有意義且具有可操作性，將獲得的原始調查數據在應用前進行完整性檢查，剔除無效數據和異常數據。經處理，氣象數據剔除蒸發(fā)量、大氣壓力、作物蒸騰蒸發(fā)量3個數據項，保留空氣溫度、空氣濕度、風速、風向、光照、降雨量、露點溫度7個數據項；土壤墑情數據剔除土壤相對含水量的4個數據項，保留土壤體積含水量、土壤溫度、土壤鹽分等12個數據項。剔除無效數據、異常數據的原因均為監(jiān)測數據不完整，各站點監(jiān)測項設置有差別等，同時剔除由于設備測試、傳感器探頭失靈等原因產生的異常數據組。

本研究輸入數據為氣象墑情自動監(jiān)測站的監(jiān)測數據，輸出數據為24 h、7 d、14 d后的土壤墑情，土壤體積含水量主要為20、40、60、80 cm 4個土層深度的土壤體積含水量（表2）。原始數據處理過程為：第一步，增加“站點編號”數據項。因原始數據和預測結果均為分站點的數據和預測結果，即根據某一站點的數據去預測這一站點未來的土壤墑情。第二步，匹配輸出數據。研究建立的模型將預測未來某一天、某一時點的土壤墑情，故每組原始數據均需要匹配未來某一時點的土壤墑情數據，如原始數據為2020年8月4日10：30的氣象土壤墑情原始數據，要預測24 h后的土壤墑情就需要匹配2020年8月5日10：30的氣象土壤墑情數據；而要預測7 d后的氣象土壤墑情就需要匹配2020年8月11日10：30的氣象土壤墑情數據，以此類推。第三步，提取測試數據，模擬真實預測場景。從原始數據中隨機提取5 000組數據作為測試數據，剩余100 000組數據用于模型訓練。

2 "建立模型

2.1 " Elman神經網絡模型

Elman神經網絡是典型的反饋型神經網絡，是一種具有局部記憶單元和局部反饋連接的遞歸神經網絡。它是以BP網絡為基礎結構，在隱含層增加一個承接層作為延時算子，以達到記憶目的，從而使系統(tǒng)具有適應時變特性的能力，增強了網絡的全局穩(wěn)定性[4]。Elman神經網絡拓撲結構見圖1[5]。

2.2 " 傳遞函數

Elman神經網絡模型的傳遞函數采用帶動量的梯度下降法，該方法是在反向傳播的基礎上，在每個權值的變化上附加一項正比于前次權值變化量的值，并根據反向傳播法來產生新的權值變化。該方法使網絡在修正其權值時，不僅考慮了誤差在梯度上的作用，而且還考慮了誤差曲面變化趨勢的影響，從而降低了網絡對于誤差曲面局部細節(jié)的敏感性，有效抑制網絡陷入局部極小[6]。

3 "模型應用評價

本研究模型訓練采用的是MATLAB神經網絡工具箱，該工具箱默認將100 000組數據按7∶

1.5∶1.5的比例分為訓練集、驗證集和測試集進行模型訓練。各模型的隱藏層節(jié)點數量和步長均通過試算確定，每個節(jié)點或步長的試算均經過15次迭代，每次迭代均按照比例重新分配訓練集、驗證集和測試集數據，最終使網絡的訓練誤差逐步收斂，最后應用5 000組測試數據模擬真實預測場景。

3.1 " 土壤墑情預測模型Ⅰ（24 h）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當隱藏層節(jié)點為25個、步長為0.3時，20、40、60、80 cm 4個土層深度的平均土壤墑情相對誤差最?。ū?），為0.031 45（3.15%）。

土壤墑情預測模型Ⅰ（24 h）的網絡訓練性能（圖2），經過50 000次的迭代訓練，該網絡的均方誤差大小為0.005 280 2，已經達到最佳訓練性能。

模型訓練完成后，用5 000組數據進行測試，從測試數據誤差曲線（圖3）可以看出，該模型測試數據的誤差整體波動幅度較小，其中20 cm和40 cm土層深度的土壤墑情預測誤差最大值分別小于70%和90%，60 cm和80 cm土層深度的土壤墑情預測誤差最大值分別小于80%和90%。

3.2 " 土壤墑情預測模型Ⅱ（7 d）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當隱藏層節(jié)點為40個、步長為0.2時，20、40、60、80 cm 4個土層的平均土壤墑情相對誤差最?。ū?），為0.093 95（9.4%）。

土壤墑情預測模型Ⅱ（7 d）的網絡訓練性能（圖4），經過50 000次的迭代訓練，該網絡的均方誤差大小為0.017 932，已經達到最佳訓練性能。

模型訓練完成后，用5 000組數據進行測試，從測試數據誤差曲線（圖5）可以看出，20 cm和40 cm土層深度的土壤墑情預測值的相對誤差較大，特別是20 cm土層深度的土壤墑情預測值的相對誤差極值已經超過了100%；60 cm和80 cm土層深度的土壤墑情預測值相對誤差總體波動較小，特別是80 cm土層深度的土壤墑情預測值相對誤差絕大部分穩(wěn)定在5%左右。

3.3 " 土壤墑情預測模型Ⅲ（14 d）

通過對該模型的隱藏層節(jié)點和步長的試算，最終確定當隱藏層節(jié)點為32個、步長為0.06時，20、40、60、80 cm 4個土層深度的平均土壤墑情相對誤差最?。ū?），為0.144 15（14.42%）。

土壤墑情預測模型Ⅲ（14 d）的網絡訓練性能（圖6），經過50 000次訓練，該網絡的均方誤差大小為0.028 154，已經達到最佳訓練性能。

模型訓練完成后，用5 000組數據進行測試，從測試數據誤差曲線（圖7）可以看出，在該模型測試數據中，20 cm和40 cm土層深度的土壤墑情預測值的相對誤差波動較大，特別是20 cm土層深度的土壤墑情預測值的相對誤差極值已經超過了120%；60 cm和80 cm土層深度的土壤墑

情預測值的相對誤差雖比20 cm和40 cm土層深度的波動幅度小，但與24 h預測值的相對誤差和7 d預測值的相對誤差相比，波動幅度仍較大。

4 "結論與討論

本研究應用Elman神經網絡模型對土壤墑情進行短期（24 h）、中期（7 d）、長期（14 d）預測，通過對5 000組測試數據的預測，得出各時期、各層次土壤墑情的預測結果準確度（表6）?？傮w來看，利用Elman神經網絡訓練土壤墑情預測模型，其結果精度是比較高的，短期、中期、長期的平均預測精度分別達到了96.64%、90.60%、85.59%。從各時期各層次土壤墑情預測結果的準確度來看，20 cm、40 cm、60 cm、80 cm 4個土層深度的土壤墑情預測準確度差異較大，其中20 cm和40 cm土層深度的土壤墑情預測準確度明顯低于60 cm和80 cm土層深度的土壤墑情預測準確度，特別是長期（14 d）20 cm土層深度的土壤墑情預測準確度已經下降至80%以下，明顯低于其他土層深度的土壤墑情預測準確度。

從不同預測時間建立的模型測試數據誤差曲線圖中也能看出，20 cm和40 cm土層深度的土壤墑情波動幅度要比60 cm和80 cm土層深度的土壤墑情波動幅度要大。這是因為20 cm和40 cm

土層深度的土壤墑情受天氣等外界影響較大，水分要滲入到60 cm和80 cm土層深度需要較大的降雨量，而天津地區(qū)較大降雨量只集中在每年7、8月的某幾天，因此60 cm和80 cm土層深度的土壤墑情誤差波動較小。

實際生產中，農作物生長是一個長期動態(tài)的生長過程，中長期的土壤墑情預測對農作物的生長管理十分重要。目前，該研究模型的輸入為全要素輸入（包括氣象墑情站所采集的所有數據項），有些數據項可能與未來土壤墑情預測不相關，今后將剔除不相關數據項，簡化預測模型，最終實現更好地利用土壤墑情預測模型，服務于農業(yè)生產。

參考文獻

[1] 侯瓊，郝文?。畠让晒诺貐^(qū)玉米農田土壤墑情動態(tài)預測模式[J]．干旱地區(qū)農業(yè)研究，2000（4）：50-56.

[2] 白冬妹，郭滿才，郭忠升，等．時間序列自回歸模型在土壤水分預測中的應用研究[J]．中國水土保持，2014（2）：42-45，69.

[3] 尚松浩，毛曉敏，雷志棟，等．冬小麥田間墑情預報的BP神經網絡模型[J]．水利學報，2002（4）：60-63，68.

[4] 摔了個呆萌．Matlab newelm，Elman神經網絡介紹以及Matlab實現[EB/OL]． https：//blog.csdn.net/weixin_42114041/article/details/115828739. 2021-03-16.

[5] 謝慶國，沈軼，萬淑蕓．Elman人工神經網絡的收斂性分析[J]．計算機工程與應用，2002（6）：65-66，81.

[6] 周少軍．基于ANN的銅爐渣磨礦參數對銅精礦指標影響預測研究[D]．武漢：武漢理工大學，2009.