基于遺傳神經網絡的黑龍江淺表地層水分預測

許秀英，黃操軍，楊秋夢

（黑龍江八一農墾大學，黑龍江 大慶163319）

田間土壤水分預測是水資源管理的基礎內容，對農田灌溉排水具有重要的指導意義，主要研究土壤特性、作物根系發展、降水、灌溉、蒸散、氣象等因子的變化及相互作用對土壤墑情變化的影響。神經網絡法具有良好的非線性映射能力，對被建對象的經驗要求較少，常被用于土壤墑情預測，且多采用BP神經網絡模型。但BP模型在較大搜索空間內易陷入局部極值點，且輸入參數的選取對模型成功與否具有重要影響，輸入參數少，預測精度降低；參數過多，容易導致模型計算無法收斂或收斂時間過長，影響了BP神經網絡的泛化能力。本文針對神經網絡存在的缺點，采用具有全局搜索與優化能力的遺傳算法與BP神經網絡相結合的方式，以黑龍江墾區廣泛種植的農作物——大豆為研究對象，根據根系分布對土壤水分吸收的影響劃分土層，基于植物蒸散發過程受氣象因子影響較明顯的特點，選取5個氣象因子引入遺傳神經網絡（GA—BP）土壤水分預測模型，實現遺傳神經網絡對土壤水分的預測。

1 作物根系分布對土壤水分吸收的影響

土壤含水量、根系密度和根系吸水活力是作物根系對土壤水分吸收的共性特點。當土壤水分含量達到一定水平時，根系吸水不受含水量影響，只受大氣決定的蒸散力與根系分布密度的影響；根系分布合理時，根系吸水量與吸水速度與土壤的垂直水分含量有關。作物根系分布具有一定的規律性，如大豆根系在0—45cm土層的分布占總根系的90%左右［1－2］，已有研究表明，大豆、玉米和谷子等作物的根系絕大多數主要分布于0—45cm 這一土層范圍內［3－7］，0—45cm土層亦是旱田作物的主要吸水區。因而本文選取黑龍江寒地大豆種植中0—50cm土層范圍的土壤含水量開展研究與預測，建立土壤水分預測模型。

2 遺傳神經網絡預測模型的網絡結構和參數的確定

2.1 遺傳神經網絡設計

將遺傳算法與神經網絡相結合，利用遺傳算法的全局尋優能力，在大范圍內對BP神經網絡的權值和閾值進行搜索尋優，將搜索到的全局最優解賦予BP網絡，再利用BP網絡較好的局部搜索能力進行精確搜索，從而達到獲得最優權和閾值的目的。

2.2 遺傳神經網絡預測算法

2.2.1 BP網絡原理 BP網絡是前饋多層神經網絡，由干神經元以一定的連接方式組成，可以模擬不能用明確的數學公式表達的非線性函數關系，該函數關系可通過節點間連接權值和節點閾值的綜合運算來實現［4］。訓練集包括 M 個樣本模式對（Xk，Yk）。對第p個訓練樣本（p＝1，2，…，M），單元j的輸入總和（即激活函數）記為apj，輸出權值記為Opj權值記Wpj，則：

式中：dpj——對第p個輸入模式輸出單元j的期望輸出，δ學習規則的實質是利用梯度最速下降法，使權值沿誤差的負梯度方向改變。設隱含層與輸出層、輸入層與隱含層的連接權值分別為ωkj和vji，則其調整值為：

神經網絡的輸入節點數確定為：10個。選取地表0—10，10—20，20—30，30—40，40—50cm共5個層面的土壤水分數據和降雨量（R6）、蒸發量（L0）、氣溫（W0）、空氣濕度（U0）、日照時數（S2）5個氣象因子作為預測模型的輸入因子；隱含層節點為22個［6］；輸出節點為一個，即農作物根系生長層的土壤水分變化情況。

2.2.2 遺傳優化 采用遺傳算法對神經網絡連接權值進行優化，使遺傳算法能很快確定全局最優解存在的區域，在該區域內再利用BP算法較強的局部搜索能力，較快完成網絡的訓練優化，其過程如下：

（1）編碼與種群初始化。采用十進制編碼方式，按神經網絡生成初始權重的常規辦法來生成網絡的權重，任一組完整的網絡權重xi＝｛w1，w2，b1，b2｝（i＝1，2，…，m）相當于一個染色體，由神經網絡的權、閾值組成，這樣的染色體共有m個，即種群規模為m。其中w1為輸入層與隱層之間的權重值，w2為隱層與輸出層之間的權重值，b1為隱層閾值，b2為輸出層閾值。染色體長度計算公式為：

式中：S1——隱層結點數量；S2——輸出數量；r——輸入數量，遺傳操作在這樣的染色體群中進行。

（2）GA在進化搜索過程中是以適應度函數為依據的，故適應度函數的選擇直接影響到GA的收斂速度以及能否找到最優解。根據適應度函數值的大小對全部個體進行評價，本文選用的適應度函數為：

式中：yk——網絡的實際輸出，對應預測含量；tk——網絡的標準輸出，對應訓練樣本元素的真實含量；n——訓練集樣本數。計算出適應值后，將其按照從大到小的方式進行排列。

（3）選擇算子，依據比例法選擇適應度大的染色體，第i個染色體的適應值為F（i），則其被選中的概率為：

式中：Pis——選擇概率；M——種群大小。

（4）選用算術交叉方式，其交叉概率Pc為0.6。

（5）變異運算可產生初始種群中不被包含的基因，或找回選擇過程丟失的基因，為種群提供新的內容。以變異概率Pm＝0.08進行變異操作。變異量X＝x1，x2，x3，…，xm，其變異點xm的取值范圍為［a，b］，變異點的新基因為：

式中，r∈［0，1］內的符合均勻概率分布的隨機數，t——當前進化代數；T——終止代數；b——系統形狀參數。

重復以上步驟，當網絡誤差或進化代數滿足條件時結束遺傳算法。遺傳尋優完成后，選擇最優權值和閾值、輸入樣本與輸出樣本輸入BP網絡模型，對網絡進行訓練。其最大訓練次數為5 000，最大允許誤差設定為0.001。

3 研究區概況與研究方法

影響土壤含水量的主要因素包括土壤內部富含根系的吸水情況與外部氣象因子變化以及人工干預。因預測模型主要用于指導人工干預措施，所以建立模型期間忽略人工干擾的影響。輸入變量為氣象因子，輸出變量為土壤含水量。本文對黑龍江紅星農場的大豆作物進行土壤含水量的預報研究。紅星農場位于黑 龍 江 省 北 安 市，北 緯 48°02′—48°17′，東 經126°47′—127°15′，屬中溫帶濕潤大陸性季風氣候，是國家高油大豆優勢產業帶規劃的松嫩平原優勢區，多年平均氣溫0.8℃，≥10℃的有效積溫2 254.5℃，無霜期115d，多年平均降水量553mm，年平均日照2 700h以上。地下水根據埋藏情況有3種類型：上層潛水、潛水和承壓水，潛水距地表近，直接受大氣降水和地表水的補給，含水層在1～3m，潛水深度為5～20m，承壓水分布于全市境內，200m深共有5層承壓水層。土壤毛管上升水最大可達5m，地下水位能夠補充一部分土壤水分，土壤蒸發量較大。降水量的多少直接影響土壤水分的含量和時空變化特征，雨季土壤水分的動態變化與降雨量和土壤蒸發量密切相關，東北農田黑土的蒸發量隨土壤含水量的增加而增大［8］。影響土壤蒸發量的主要氣象因素為溫度、日照時數和空氣濕度，因而選取對土壤含水量影響顯著的5個氣象因子：溫度、相對濕度、日照時數、降雨量和蒸發量，及2007—2008年每年4月—10月測得的0—10，10—20，20—30，30—40，40—50cm共5個土層的含水量數據作為網絡訓練樣本數據，選取2009年4月—10月之間測得的土壤水分數據和相應的氣象數據，按模型數據需求輸入預測模型。得到的相應輸出為指定層面的指定日期的土壤水分數據。紅星農場每年4—10月的8日、18日、28日上報土壤水分數據。選取2007—2009年上報的819組土壤水分數據作為實驗數據，其中2007年、2008年4—10月共546組數據的訓練樣本集，2009年273組數據作為測試樣本集。輸入樣本數據X中包括：10—50cm的5個層面的土壤水分數據和5個氣象因子數據R6，L0，W0，U0和S2；輸出樣本數據Y 為指定預測模型所對應的特定層面，按時間序列排列指定日期土壤水分數據。對輸入、輸出的樣本數據應用premnmx（）函數進行歸一化處理。按照遞推關系輸入網絡，從而完成遺傳神經網絡預測模型的訓練、建模過程。

4 土壤水分預測結果

大豆各生育期根的生長與分布形式不同，因季節更替等原因，各階段對土壤水分的生理需求、吸收亦有所不同，根據不同的生長階段建立3種土壤水分預測模型［9－12］，分別為0—15cm 土層（模型 A），10—30 cm土層（模型B），30—45cm土層（模型C），對黑龍江墾區紅星農場大豆田間土壤水分進行預測。3種遺傳神經網絡模型參數設置和實現過程相同，只是預測的時間和預測土壤層面不同。

（1）模型A的預測結果。模型A適用于4月和5月的土壤水分預測。紅星農場2009年在4月下旬進行大豆播種，播種深度在距地表5cm左右，發芽與出苗期階段約在5月末完成，在此期間大豆根系分布主要集中于0—15cm土層范圍內，因而，在該階段選取地表10cm這一層面建立相應的土壤水分預測模型A并進行墑情預測。用訓練好的模型A對2009年4月18日至5月28日的土壤水分進行預測，結果如表1所示。

表1 模型A對土壤水分的預測結果 %

從預測結果可以看出，模型A對大豆地播種前期、播種期直至出苗期有較好的預測精度，其土壤體積含水量的平均預測精度約為0.80%，能夠滿足農業生產實際需要，具有較高的預測精度及可靠性。

（2）模型B的預測結果。模型B適用于6月的土壤水分預測。此期間為大豆幼苗期，具有抗旱能力強的特點，大豆根系主要分布于于10—30cm這一土層范圍內。這一階段若土壤水分含量過高，易導致大豆根系發育不良。選取距地表20cm這一層面進行土壤水分研究，并建立相應的土壤水分預測模型B。用訓練好的模型B對2009年6月8日至6月28日的土壤水分進行預測，結果如表2所示。

表2 模型B對土壤水分的預測結果 %

預測結果表明，模型B對大豆幼苗期土壤含水量的預測精度不高，其土壤體積含水量的平均預測精度為3.64%，因2009年6月份降雨量比較大，氣候變化比較劇烈，對預測結果的影響較大。但是在天氣多變的情況下，要想獲得較高的預測精度是極其不易的，雖然模型B的預測精度不是很高，但也基本能滿足實際農業生產需要。

（3）模型C的預測結果。模型C適用于7—9月的土壤墑情預測。此階段為大豆開花至成熟期，具體包括開花—結莢、結莢—鼓豆、鼓豆—成熟3個生育階段，各階段需水量基本相當，吸水總量占全生育期的75%左右，是對水分需求最多的時期，在此期間大豆的根系主要在15—45cm這一土層范圍內生長發育。選取距地表30cm處這一層面進行土壤水分研究，并建立相應的土壤水分預測模型C。用訓練好的模型C對2009年7月8日至9月28日的土壤水分進行預測，結果如表3所示。

表3 模型C對土壤水分的預測結果 %

模型C的預測時期是大豆乃至小麥、玉米等其它農作物生長最重要的時期，這一時期農作物的吸水量大、生長迅速，農業從業人員必須熟知田間的具體情況，以便采取相應的農業生產措施，保證農作物的健康生長、促進農業豐產豐收。通過模型C對土壤水分的預測結果可知，模型C對該時期的土壤體積含水量的預測精度為1.97%，能很好地滿足農業生產需求，為農業生產活動提供有力的參考。

5 結論

提出了一種基于GA－BP神經網絡的土壤水分預測算法，該算法首先建立一個BP神經網絡，并采用遺傳算法對BP網絡的節點權值進行優化，獲取一個最優權值作為BP網絡的初始權值，完成BP網絡訓練后，以5個氣象因素及5個地層實測水分含量作為網絡的輸入，3個不同土層分別作為輸出，經實測數據驗證：GA－BP算法結合了遺傳算法全局搜索和BP網絡局部精確搜索的優點，進行土壤墑情預報，具有收斂速度快，準確率高的優點。

利用該法進行土壤墑情預測，能為科學灌溉決策管理提供依據。盡管文中建立的GA－BP混合模型對土壤墑情的預報取得了滿意的效果，但由于土壤墑情的變化是一個復雜的過程，影響因素較多，同時，本文并沒有根據降雨年型進行分類預測，本文建立的預測模型雖然對同類作物、同類降雨年型具有一定的參考意義，但是對于不同降雨年型，模型應用受限，因此在實踐中還需改模型進行不斷的完善和提高。

［1］ 張英善.作物根系與土壤水利用［M］.北京：氣象出版社，1999.

［2］ 曹敏建.耕作學［M］.北京：中國農業出版社，2002.

［3］ Bohm W.Method of Sudying Root Systems［M］.New York：Springer Berlin Heilberg，1979.

［4］ 萬玉瓊，梁俊有.基于遺傳算法改進BP網絡的災害預測模型研究［J］.中國水運，2008，8（4）：255－257.

［5］ 王振龍，高建峰.實用土壤墑情監測預報技術［M］.北京：中國水利水電出版社，2006.

［6］ 李彩霞，陳曉飛，韓國松.沈陽地區作物需水量的預測研究［J］.中國農村水利水電，2007（5）：61－67.

［7］ 崔麗潔，徐寶林.吉林省中西部地區土壤墑情實驗研究［J］.吉林水利，2003（1）：14－15.

［8］ 徐慶華，劉勇，馬履一，等.東北農田黑土蒸發量與土壤水分及氣象因子的關系［J］.東北林業大學學報，2009，37（11）：82－84.

［9］ 田芳明，周志勝，黃操軍.BP神經網絡在土壤水分預測中的應用［J］.電子測試，2009（10）：14－16.

［10］ Huang Caojun，Li Lin，Ren Shouhua，et al.Research of soil moisture content forecast model based on genetic algorithm BP neural network［C］∥Computer and Computing Technologies in AgricultureⅣ.partII，China，Springer，2010（10）：309－316.

［11］ 邢貞相.遺傳算法與BP模型的改進及其在水資源工程中的應用［D］.哈爾濱：東北農業大學，2004.

［12］ 孫敬.基于遺傳神經網絡的空調房間送風量預測研究［D］.南京：南京工業大學，2006.