基于BP人工神經網絡的土壤含水量預測模型的研究

摘 要：土壤含水量是制約植物生長的主要因子之一，因此科學地預測土壤含水量對充分利用土壤水資源具有十分重要的意義。提出了基于BP人工神經網絡的土壤含水量預測模型，BP人工神經網絡采用收斂速度較快和誤差精度較高的動量-自適應學習速率調整算法。并通過基于這種模型的土壤含水量預測實驗，結果表明BP人工神經網絡預測模型提高了收斂速度和減少陷入局部最小的可能，并且提高了預測精度。

關鍵詞：人工神經網絡；土壤含水量；預測

中圖分類號：S1527；TP183 文獻標識號：A 文章編號：1001-4942（2012）12-0011-05

Study on Forecasting Model of Soil Water Content based

on BP Artificial Neural Network

Guo QingChun1， Wang SuJuan2， He ZhenFang3

（1.Shanxi Radio TV University， Xi’an 710068， China；

2.Shandong Institute of Agricultural Sustainable Development， Jinan 250100， China；

3.Cold and Arid Regions Environmental and Engineering Research Institute，

Chinese Academy of Sciences， Lanzhou 730000， China）

Abstract Soil moisture is one of the factors restricting plant growth， so it has great significance to scientifically forecast soil moisture for making full use of soil water. In this paper， the soil moisture predicting model was put forward based on the BP neural network. The BP neural network using adaptive learning rate momentum algorithm has fast convergence rate and high error precision. According to the soil moisture forecast experiment， the BP neural network predicting model increased the convergence rate， reduced the possibility of getting into local minimum， and improved the prediction accuracy.

Key words Artificial neural network； Soil moisture； Prediction

土壤水分在地表與大氣間的物質和能量交換中起著極為重要的作用，是陸地地表參數化的一個關鍵變量，同時也是農作物生長發育的基本條件和產量預報模型中的重要參量。土壤水分也是土壤的重要物理參數，它對植物存活等具有極其重要的意義，土壤水分過少時，土壤溶液濃度過高，會造成根系吸水困難，致使須根干枯產生“燒須”現象；水分過多，影響根系呼吸及生長，引起乙醇等有害物質的積累，同時厭氧菌活動旺盛，容易造成爛根和疾病發生[1]；朱同彬等（2008）[2]探討了不同水分條件對土壤酶活性的影響和土壤酶活性的短期變化規律；王月福等（1998）[3]研究了在不同土壤水分脅迫條件下，水澆地小麥品種魯麥7號和旱地品系萊農8834各生育階段的水分利用效率。因此，土壤水分及其變化的監測，是農業、水分、生態、環境和水土保持等研究工作的基礎，特別是在農業生產中，可以根據土壤水分的監測、預測結果及作物需水規律進行有計劃的灌溉。

土壤水分動態模擬和預測一直都是灌排工程的重點研究對象，許多研究人員應用神經網絡等方法對土壤含水量進行了研究[4～14]。如鹿潔忠等（1987）[4]對農田土壤深層水分預測進行過研究，提出了根據表層土壤水分確定深層土壤水分的模式；姚建文等（1989）[5]采用多元回歸分析方法，將數值模擬方法得到的土壤水分運動動態過程的計算值和實測值進行了比較，兩者吻合較好。馬孝義等（2001）[6]探討了土壤含水量的Kriging 和Cokriging 估值方法，研究表明，同深度土壤含水量與不同深度的土壤含水量之間均具有顯著的空間相關性；張麗麗等（2007）[7]根據每天紅壤不同層次含水量，利用時間序列分析方法，依據表層10 cm含水量序列預測20、30、40 cm 和60 cm土層含水量，結果表明各不同土層含水量之間呈極顯著性相關；袁念念等（2011）[8]利用表層土壤含水量與耕層以下土壤含水量之間的關系來預測耕層以下土壤體積含水量，對2008年土壤含水量數據進行線性回歸分析，建立含水量預測模型，用2009年同期數據進行檢驗，效果較好；這些研究得出一個結論：土壤深層水分含量可以利用淺層含水量進行預測。人工神經網絡作為一門新興學科，具有處理復雜非線性問題的優點，已經在多個領域得到廣泛應用，因此采用該工具對土壤含水量進行了預測研究，為進行科學灌溉和水土保持提供參考。

1 實驗數據

商丘市位于東經114°49′～116°39′、北緯33°43′～34°52′之間；全市東西橫距168 km，南北縱距128 km；全市總面積10 704 km2；商丘屬暖溫帶半溫潤大陸性季風氣候，氣候溫和、四季分明，主要特點是春季溫暖大風多，夏季炎熱雨集中，秋季涼爽日照長，冬季寒冷少雨雪；年平均日照時數為1 944 h，無霜期平均為211天，年平均氣溫142℃，一般最高溫度39℃，最低溫度零下9℃，年平均降水量623 mm。

商丘1995～1997年土壤含水量觀測數據來自國家農業科學數據共享中心。采樣點位于東經115°40′，北緯34°27′，海拔為501 m，時間為1995年1月8日～1997年12月28日，逢每月8日、18日、28日取土測定5～30 cm 的土壤含水量，每5 cm一個層次。用土壤含水量百分比（%） 表示。實際數據如圖1所示。

為了充分發揮BP神經網絡的預測功能，提高其輸出精度，有必要對輸入數據進行預處理，以提高神經網絡的泛化能力（即對未來學習數據的正確應答能力），一般可將各輸入量歸一化到[0，1]區間，但Sigmoid函數在[0，01]和[09，1]區間內變化極為緩慢，不利于特征提取，為此將各輸入量歸一化至[01，09]之間。輸入數據通過標準化{Y=08×〔X-min（X） 〕/ {〔max（X）-min（X）〕+01}處理，構成一組新序列。

2 實驗方法

人工神經網絡（artificial neural network，簡稱ANN）是由大量簡單的處理單元（或稱神經元）廣泛地相互連接而形成的復雜網絡系統，是一種非線性的動力學系統。它具有大規模的并行處理和分布式的信息存儲能力，良好的自適應性、自組織性及很強的學習、聯想、容錯及抗干擾能力，迄今為止，人們提出許多神經網絡模型。較典型的有BP網絡、Hopfield網絡及CPN網絡等，其中應用較多的是具有非線性傳遞函數神經元構成的前饋網絡中采用誤差反向傳播算法作為其學習算法的前饋網絡（Back Error Propagation，簡稱BP網絡）。誤差反向傳播網絡（BP模型）是一種多層結構的映射網絡，它是目前應用最為廣泛的一種人工神經網絡，在各門學科領域中都具有極其重要的實用價值，其學習能力和容錯能力對于具有不確定性模式識別具有獨到之處。BP人工神經網絡結構如圖2。

BP算法的中心思想是調整權值使網絡總誤差最小。BP模型學習過程的算法由正向傳播和反向傳播兩部分組成。通過反復的正向傳播和反向傳播，不斷地修改各層神經元的權值和偏置值（即閾值）來減少誤差函數，直到與某一相當小的正值或進行迭代運算時誤差函數不再減少。學習過程的實質是求誤差函數的最小值，它通過反復訓練已知樣本集，在沒有達到設定的誤差最小值之前，每訓練一次，權值將沿誤差函數的最速下降方向改變，最終收斂到最小點，然后將多個樣本訓練所得的各層間連接權值及各層神經元的偏置值（即閾值）信息保存起來，以便對未知樣本進行處理。

BP網絡訓練算法理論具有依據可靠、推導過程嚴謹、精度較高、通用性較好等優點，但傳統BP網絡訓練算法存在以下缺點：收斂速度緩慢；容易陷入局部極小值。在實際應用中，BP網絡訓練算法很難勝任；因此采用收斂速度較快和誤差精度較高的增加動量項與自適應調整學習速率相結合的算法改進BP神經網絡的性能。傳統BP網絡訓練算法實質上是一種簡單的最速下降靜態尋優方法，在修正權值W（n）時，只按照第n步的負梯度方向進行修正，而沒有考慮到以前時刻的梯度方向，從而常常使學習過程發生振蕩，收斂緩慢。為加速算法收斂，可考慮引入動量項m。增加動量項的權值，調整算法的具體做法是：將上一次權值調整量的一部分迭加到按本次誤差計算所得的權值調整量上，作為本次的實際權值調整量，這種方法所加的動量因子實際上相當于阻尼項，它減小了學習過程中的振蕩趨勢，從而改善了收斂性。動量法降低了網絡對于誤差曲面局部細節的敏感性，有效地抑制了網絡陷入局部極小。傳統BP網絡訓練算法收斂速度緩慢的另一個重要原因是學習率選擇不當，學習率選得太小，收斂太慢；學習率選得太大，則有可能修正過頭，導致振蕩甚至發散。可采用自適應方法調整學習率。在學習收斂的情況下（誤差函數E減小），學習率lr乘以大于1的常數α，增大lr，以縮短學習時間；當lr偏大致使不能收斂時（誤差函數E增大），學習率lr乘以小于1的常數γ，及時減小lr，直到收斂為止。

人工神經網絡的擬合精度與網絡層數和各層神經元個數關系密切。BP人工神經網絡通常采用三層結構，擬合精度的提高可以用增加各層的神經元數。已經證明3層BP網絡可以以任意精度逼近一個連續函數。因此，本研究采取3層BP網絡。

輸入層和輸出層分別與需要解決問題的輸入變量和輸出變量相聯，因此輸入層和輸出層的神經元數分別由輸入變量和輸出變量個數確定。由于本模型選用5～10、10～15、15～20、20～25 cm的土壤含水量作為輸入，25～30 cm的土壤含水量為輸出，輸入層包含4個神經元，輸出層包含1個神經元。隱層的隱單元定為8～12，最后根據訓練結果進行調整。其中隱含層神經元數根據經驗公式來確定：P=L+M+N，其中，M、P、N分別為輸入層、隱含層和輸出層神經元的數目，而L為1～10之間的一個整數。從網絡的學習時間與次數以及達到全局收斂的綜合效果來看，我們選擇的隱含層神經元的數目為9。即網絡結構為4-9-1三層結構。在本模型中，輸入層、隱含層采用tansig作為傳遞函數，輸出層采用purelin傳遞函數。動量常數定為09，學習率為005。均方誤差為0001。經過542次訓練滿足訓練要求。

3 實驗結果

31 不同深度土壤含水量序列變化及其相關性

土壤含水量空間格局是土壤各層含水量隨深度的增加而變化，各深層含水量時間上的連續變化是隨著表層含水量的變化而變化，且隨著深度的增加，土壤含水量波動范圍先減小后增大。5～10 cm 土壤含水量變化于24%～241%之間，波動較大，10～15 cm 土壤含水量變化于53%～217%之間，波動幅度次之，15～20 cm土層含水量變化于 55%～201%之間，波動幅度最小，20～25 cm 土壤含水量變化于52%～217%之間， 波動幅度增大，25～30 cm 土壤含水量變化于55%～26%之間。根據1995～1997年不同深度土壤含水量序列空間格局和時間上連續變化的特點，對不同深度土壤含水量序列進行相關性分析，通過在顯著性水平為005的F檢驗，結果表明，25～30 cm 土層與淺層含水量之間呈顯著性相關，其中與20～25 cm（0938） 和15～20 cm（0818） 土層含水量之間的相關系數，大于與10～15 cm（0703） 和5～10 cm（0462） 土層含水量的相關系數。可以說相鄰土層含水量時間序列之間具有高度的空間相關性，土層相隔越遠，相關系數越小，相關性越小。表明土壤含水量在垂直空間分布上具有顯著的空間相關性。這一結果進一步說明，可以利用土壤表層含水量預測一定深度的土壤深層含水量。

32 神經網絡擬合及其預測結果

在一維水平入滲條件下，影響土壤含水量的因素主要有入滲距離、入滲時間、土壤容重、土壤質地、土壤初始含水量，在土壤容重、土壤質地和初始含水量一定的情況下，可以把入滲距離和入滲時間看作預測土壤含水量的主要依據，通過入滲距離和入滲時間及相應的土壤含水量訓練網絡，建立土壤含水量的神經網模型，就可以預測土壤含水量的時空變化過程。由于表層土壤水分下滲到深層土壤需要一定時間，因此采用前一時段實測數據來預測后一時段土壤含水量的方法，即采用第8天5～10 cm、10～15 cm、15～20 cm、20～25 cm的土壤含水量來預測第18天25～30 cm的土壤含水量，依次類推。

采用1995～1996年的不同深度土壤含水量作為訓練樣本，訓練神經網絡模型，訓練結果如圖3，利用1997年不同深度土壤含水量，作為檢驗樣本，檢驗神經網絡模型的預測精度見圖4。訓練樣本擬合值最大相對誤差534%，最小相對誤差-377%，平均相對誤差0372%，通過顯著性水平為005的F檢驗，相關系數0999；檢驗樣本預測值最大相對誤差 984%，最小相對誤差-357%，平均相對誤差162%，通過顯著性水平為005的F檢驗，相關系數0999。可以看出，基于BP人工神經網絡的土壤含水量模型預測精度較高，達98% 以上，平均相對誤差不超過2%，最大相對誤差不超過10%；土壤含水量預測值與真實值吻合程度較高，并且預測值的變化趨勢和真實值變化趨勢也一致，可以反映實際土壤含水量的變化趨勢，能夠滿足實際預測需要。

預測值對比圖

4 結論

為了準確預測土壤含水量，對河南省商丘市1995～1997年的土壤含水量進行分析，建立了基于BP人工神經網絡的土壤含水量預測模型。通過模型建立和研究得出以下結論。

41 利用人工神經網絡模型預測深層土壤含水量時，模型預測的平均相對誤差不超過2%，最大相對誤差不超過10%。利用表層土壤含水量與深層土壤含水量之間的關系來預測深層土壤含水量，總體上精度較高，預測值與實測值相對誤差較小。

42 人工神經網絡預測模型反映了入滲條件下，土壤含水量與入滲時間和距離的動態關系，初步研究表明，用人工神經網絡預測土壤含水量的時空變化是可行的，而且不需要建立具體的數學模型。

43 對BP算法作了一些改進，通過對不同深度土壤含水量的學習，利用神經網絡的記憶、聯想以及推理功能對深層含水量的預測估計。預測的結果表明，改進的學習算法大大加快了網絡的學習速度，同時對于已學習過的樣本知識，網絡的輸出與期望的結果充分相符，表明該網絡能夠正確地實現訓練樣本的擬合；當輸入的數據在一定范圍內偏離樣本知識時，網絡的輸出具有接近樣本輸出的傾向，因而表明了神經網絡在預測土壤含水量方面的實際可用性。參 考 文 獻：

[1] 鄧天宏，付祥軍，申雙和，等0～50cm與0～100cm土層土壤濕度的轉換關系研究[J]干旱地區農業研究，2005，23（4）：64-68

[2] 朱同彬，諸葛玉平，劉少軍，等不同水肥條件對土壤酶活性的影響[J]山東農業科學，2008，3：74-78

[3] 王月福，于振文，潘慶民 土壤水分脅迫對耐旱性不同的小麥品種水分利用效率的影響[J]山東農業科學，1998，3：3-5

[4] 鹿潔忠根據表層數據估算深層土壤水分[J]中國農業氣象，1987，8（2）：60-62

[5] 姚建文作物生長條件下土壤含水量預測的數學模型[J]水利學報，1989，20（9）：32-38

[6] 馬孝義，李新平，趙延鳳土壤含水量的Kriging 和Cokriging 估值研究[J]水土保持通報，2001，21（3）：59-62

[7] 張麗麗，陳家宙，呂國安，等利用土壤表層含水量序列預測深層含水量的研究[J]水土保持學報，2007，21（3）：162-169

[8] 袁念念，彭 虹，黃介生，等棉田控制排水土壤含水量預測[J]武漢大學學報（工學版），2011，44（4）：445-448

[9] 崔素芳，張振華，姚付啟，等基于偏相關分析的煙臺市土壤溫度影響因素及預測模型研究[J]山東農業科學，2010，1：18-21

[10] 金 龍，羅 瑩，繆啟龍，等農田土壤濕度的人工神經網絡預報模型研究[J]土壤學報，1998，35（1）：25-32

[11] 陳昌華，譚 俊，尹健康，等基于PCA-RBF神經網絡的煙田土壤水分預測[J]農業工程學報，2010，26（8）：85-90

[12] 余世鵬，楊勁松，劉廣明，等基于BP人工神經網絡的長江河口地區土壤鹽分動態模擬及預測[J]土壤，2008，40（6）：976-979

[13] 佟長福，郭克貞，佘國英， 等飼草料地土壤水分動態變化規律及其預測的人工神經網絡模型的研究[J]土壤通報，2007，38（5）：844-847

[14] 李瑞平，史海濱，赤江剛夫，等季節性凍融土壤水鹽動態預測BP網絡模型研究[J]農業工程學報，2007，23（11）：125-128 山 東 農 業 科 學 2012，44（12）：16～18，23