基于BP神經網絡的玉米種植密度和施肥量優化

王福林，董志貴，吳志輝，方 堃

?

基于BP神經網絡的玉米種植密度和施肥量優化

王福林，董志貴，吳志輝，方 堃

（東北農業大學工程學院，哈爾濱 150030）

為解決利用回歸模型進行作物種植密度和施肥量優化時存在的擬合精度差和準確性低等問題，該文提出一種基于BP神經網絡的優化方法。以玉米作物為研究對象，選取種植密度、施氮量、施磷量、施鉀量為試驗因素，玉米產量為影響指標，設計4因素5水平正交旋轉試驗方案進行田間試驗，獲取不同種植密度和施肥量水平下的玉米產量。利用BP神經網絡模型對試驗數據進行函數擬合，擬合后運用該文提出的優化方法獲得試驗條件下紅星農場德美亞1號玉米最佳種植密度9.32×104株/hm2、施N量139.5 kg/hm2、施P2O5量85.4 kg/hm2、施K2O量70.8 kg/hm2，該參數組合下玉米的最優產量為16 308.53 kg/hm2，高于二次回歸模型優化得到的最高產量16 009.00 kg/hm2。以BP神經網絡優化結果在試驗區進行驗證試驗，獲得試驗方案下玉米產量為15 948.3 kg/hm2，試驗與優化結果相對誤差僅為?2.21%，表明該優化方法擬合函數精度高，優化結果準確，為解決農業生產領域中類似優化問題提供了一種可靠方法。

神經網絡；回歸分析；優化；玉米；產量；種植密度；施肥量

0 引 言

作物產量的影響因素包括遺傳因素（品種特性）、環境因素（土壤、氣候、病蟲害）、栽培措施（種植密度、群體結構、田間管理、施肥量）[1-6]。同一區域內作物的種植環境、種植模式、耕作和灌溉方式、田間管理水平基本相同，種植密度、施肥量（包括N、P2O5、K2O）是對農作物產量貢獻最大的因子[7-10]。已有研究[11-17]表明，提高施肥量和增加種植密度均是促進群體生長和增產的有效途徑。但是，中國的農業生產尚屬于粗放式管理水平，缺少完善的播種施肥理論指導農業生產，農業生產人員為提高玉米產量盲目的加大施肥量或增加種植密度，導致養分利用率低、生產成本增加、農業資源浪費等一系列問題。同時，長期不合理施肥還會導致土壤養分失衡，作物產量和品質下降，農業資源污染，生態環境破壞等一些嚴重后果[18]。因此，建立和完善解釋作物產量與種植密度和施肥量之間相互關系的理論體系，構建產量與種植密度和施肥量的數學模型，尋找產量與種植密度和施肥量的最佳組合，是保障國家糧食安全和實施農業可持續發展戰略面臨的重大課題。以最佳的種植密度與施肥量組合進行農業生產活動，對保證農作物產量，節約農業生產資源，減輕農業面源污染，改善生態環境，提升作物品質[3]具有重要的意義。

目前，國內外有關作物產量與種植密度和施肥量的研究報道，多采用正交或正交旋轉試驗設計方法設計試驗方案，獲取產量與種植密度和施肥量的對應數據關系，利用最小二乘法進行參數估計，建立產量與種植密度和施肥量的非線性方程，然后利用方差分析法、單因素效應法、主效應和交互效應法分析試驗結果，找出最佳種植密度和施肥量[19-24]。但是，這種方法具有明顯的缺陷和局限性：1）近似計算產生的誤差較大時影響回歸模型的精度；2）在假設模型的基礎上進行的回歸，具有一定的局限性；3）多變量的變量替換難度較大；4）回歸方程對樣本數據的自帶噪聲處理能力較差。農業生產過程中，作物產量受多種因素的交互影響，種植密度、施肥量與產量之間的關系非常復雜，具有很強的非線性和黑箱特性，用傳統的分析方法很難定量地描述它們之間的因果關系[25]。隨著BP神經網絡的成熟與發展，BP神經網絡理論在農業工程領域廣泛應用。張淑娟等[25]應用BP神經網絡建立土壤含水率、有機質、全氮、堿解氮、速效磷、速效鉀與作物籽粒質量之間的映射函數，分析作物產量與土壤空間分布信息關系，獲得較好的結果。張漫等[26]利用BP神經網絡建立空氣溫濕度、光照強度、 CO2濃度與凈光合速率的映射函數，進行溫室番茄CO2增施策略研究與預測，較精確地反映了番茄在不同CO2濃度生長環境下植株的動態變化規律。鞠金艷等[27-29]利用BP神經網絡建立農機總動力與年份的映射函數進行農機總動力組合預測，精確地預測了農機總動力的發展趨勢。理論與實際應用證明，BP神經網絡模型適用于研究種植密度、施肥量與作物產量之間的函數關系，進而獲取最優參數組合。

本文以玉米為研究對象，提出基于BP神經網絡的優化方法，尋找玉米作物最佳的種植密度和施肥量。首先以二次正交旋轉方法設計試驗并獲取田間試驗數據；然后采用BP神經網絡建立玉米產量的網絡模型，逼近玉米產量與種植密度、施肥量的函數關系；擬合后采用BP神經網絡的優化方法進行玉米種植密度和施肥量優化，并采用其他田間試驗結果驗證優化結果。

1 材料與方法

1.1 試驗區概況

玉米產量與種植密度和施肥量的試驗于2014年5月—2015年10月在黑龍江省農墾總局北安管局紅星農場試驗園區進行。試驗區位于126°47′E、48°01′N，屬中溫帶大陸性季風氣候，年降水500～550 mm，≥10 ℃積溫1 950～2 050 ℃，無霜期大約118 d，省屬第四積溫帶。試驗區面積為4 706.9 m2，地勢平坦，土壤類型為漫崗黑土，質地為壤質黏土至黏土，前茬種植作物為馬鈴薯，土地肥力中上等，未做過施肥試驗。試驗前取耕層（0～20 cm）土壤樣品進行理化性質分析[30]，結果表明pH值為6.07，全氮為1.84 mg/kg，全磷為0.87 mg/kg，緩效鉀693.71 mg/kg，速效鉀176.35 mg/kg，速效磷37.63 mg/kg，破解氮為186.21 mg/kg，有機質為45.37 g/kg。試驗區廣泛種植的玉米品種為德美亞1號，生長期105～110 d。該品種在當地種植的經驗值為播種量9.0×104株/hm2，發芽率98%，種植密度為8.82×104株/hm2，施N量128 kg/hm2，施P2O5量92 kg/hm2，施K2O量70 kg/hm2。

1.2 試驗設計及過程

為反映種植密度和施肥量對玉米產量的綜合影響規律，選取種植密度、施N量、施P2O5量、施K2O量4個因素作為試驗因素，玉米產量為響應指標，研究不同參數組合對玉米產量的影響，響應指標越大越好。運用二次正交旋轉回歸方法設計試驗，各因素的0水平選取試驗區德美亞1號種植的經驗值，試驗因素水平編碼如表1所示。

表1 二次正交旋轉設計各因素水平編碼表

試驗共計36個處理，每個處理為1個小區，小區尺寸4.4 m×5 m，隨機排列布置。小區內采用大壟雙行種植模式，包含4壟8行，壟寬100 cm，壟高15 cm，相鄰兩壟中心間距110 cm，壟上行距40 cm，如圖1所示。試驗區四周設置保護區，小區間設置保護行和過道，保護行寬110 cm，過道寬110 cm。試驗重復2次，2014年5月10日播種，9月23日收獲；2015年5月12日播種，9月22日收獲。試驗期間無人工灌溉，2014年5－9月降雨量為471.4 mm，2015年5－9月降雨量為460.7 mm。

根據試驗設計進行田間種植試驗，試驗過程中田間管理按當地玉米高產田間管理方法進行。成熟后每個小區（8行）人工收獲、標識、烘干，按14%標準水測產，記錄百粒數，稱質量。試驗方案與結果如表2所示，由于2 a試驗數據結果變化趨勢基本一致，本文試驗結果為2 a試驗數據的加權平均值（權重各為0.5）。

表2 試驗方案與結果

注：*為處理25~36試驗數據的平均值。

Note: * is mean of experimental results of treatment 25-36.

2 玉米種植密度和施肥量的BP神經網絡模型

2.1 基于BP神經網絡的優化方法簡介

基于BP神經網絡的優化方法分為BP神經網絡模型的創建與訓練和BP神經網絡的全局優化。

BP神經網絡模型的創建與訓練：首先，確定模型的網絡層數、每層神經元數量、傳遞函數、數據歸一化區間，對網絡各層權重與閾值進行初始化。然后，利用試驗數據作為訓練樣本，對已構建的網絡模型進行學習訓練，當網絡輸出層所有神經元的誤差能量總和滿足期望精度時結束訓練，保存網絡的權值和閾值，完成輸入與輸出的非線性函數關系映射。

BP神經網絡全局優化的基本思路：人為選取或隨機產生1個初始可行點(0)（輸入向量），然后求出(0)點的梯度，若(0)點的梯度為0，則(0)便是最優解。若(0)點的梯度不為0，則取1個步長，在(0)點的梯度方向上找1個點(1)，若(1)不滿足約束條件，則將步長減半，再重新求得1個點(2)，若(2)仍不滿足約束條件，則步長繼續減半，直至()（表示迭代次數，且為大于0的整數）滿足約束條件，然后檢查步長是否為0，若為0，則()即為最優解，結束計算；若步長不為0，且()優于(0)，則把()看成(0)，完成1次迭代，然后從(0)出發，進行下一次迭代計算。若步長不為0，但()不優于(0)，則繼續減小步長，直至求得的(+)（為大于0的整數）優于(0)，或滿足迭代終止條件。若求得的(+)優于(0)，則把(+)看成(0)，完成1次迭代，然后從(0)出發，進行下一次迭代計算。

若(1)滿足約束條件，且(1)優于(0)，則加大步長，再求1個(2)，若(2)仍滿足約束條件，且優于(1)，則繼續加大步長，直至求得的()不優于(-1)或不滿足約束條件為止，則把上次求得的點看成(-1)，完成1次迭代計算，然后把(-1)看成(0)，再從(0)出發，進行下一次迭代計算。

若(1)滿足約束條件，但(1)不優于(0)，則將步長減半，再求1個(2)，若求得的(2)不滿足約束條件，則將步長繼續減半，直到()滿足約束條件。若求得的(2)滿足約束條件，但仍不優于(0)，則將步長繼續減半，直至求得的()優于(0)或滿足迭代終止條件。若已求得的()優于(0)，則把()看成(0)，完成1次迭代，然后從(0)出發，進行下一次迭代計算。

如此計算下去，直至滿足迭代終止條件為止（即梯度為0，或步長為0）。

2.2 構建玉米種植密度和施肥量的BP神經網絡模型

2.2.1 BP神經網絡結構設計

本文采用3層BP神經網絡（輸入層、隱含層、輸出層）創建玉米種植密度和施肥量優化模型。試驗設計選取玉米的種植密度、施N量、施P2O5量、施K2O量4個變量，輸入層神經元的數量為4個，其中1為種植密度，2為施N量，3為施P2O5量，4為施K2O量；目標函數為1個，輸出層神經元的數量為1個，1為玉米產量。隱含層神經元數量的計算公式[31]

式中為隱含層節點數，為輸入層節點數，為輸出層節點數，為經驗值（1≤≤10）。經計算，本文中隱含層神經元數在4～12之間，通過網絡性能測試確定隱含層神經元數量為7。BP神經網絡的結構如圖2所示。

注：1為種植密度，2為施N量，3為施P2O5量，4為施K2O量；1～7為隱含層節點；1為玉米產量。

Note:1is planting density,2is N application rate,3is P2O5application rate,4is K2O application rate;1-7are hidden layer nodes;1is maize yield.

圖2 BP神經網絡結構圖

Fig.2 Structure chart of BP neural network

輸入層至隱含層、隱含層至輸出層的傳遞函數均為單級Sigmoid函數。產量與種植密度和施肥量之間的目標函數關系式可表述為

=()=[·(·+1)+2] （2）

式中()為BP神經網絡輸入層到隱含層、隱含層至輸出層的傳遞函數單級Sigmoid函數；為輸入向量，=[1,2,3,4]T；為輸出向量，=[1]；()為輸入與輸出之間的關系；為輸入層與隱含層的權值矩陣；1為隱含層的閾值；為隱含層與輸出層的權值矩陣；2為輸出層的閾值。

2.2.2 數據歸一化處理

為消除輸入向量與輸出向量的量綱影響，滿足傳遞函數的值域區間，防止輸入信號過大導致網絡輸出飽和，需對訓練樣本（表2）進行歸一化處理，=[1,2,3,4,5]=[1,2,3,4,1]。設歸一化處理的區間為[,]，則輸入、輸出數據歸一化處理的計算公式為

式中T為訓練樣本數據的第個輸入；為T歸一化后的數據，?[,]；Tmax為訓練樣本中第個輸入的最大值；Tmin為訓練樣本中第個輸入的最小值。

式（3）的逆變換公式為

2.2.3 BP神經網絡的擬合

本文利用Matlab R2010a編寫整體變學習率BP神經網絡計算機程序，對歸一化后的訓練樣本數據進行模型擬合，并與二次回歸模型擬合的結果進行比較。玉米產量與種植密度和施肥量的BP神經網絡模型采用4-7-1網絡結構，歸一化區間[0.2，0.6]，初始學習率為0.8，網絡輸出誤差滿足0.000 1時，輸入層與隱含層的權值矩陣為

隱含層的閾值1=[?1.570 4 ?2.343 5 3.920 1 ?1.286 8 0.343 4 0.032 8 ?0.232 4]T、=[11.394 8 ?19.389 4 ?5.669 6 6.831 4 ?9.430 3 ?2.450 1 2.883 6]、2=[?0.812 3]。

2.3 玉米種植密度和施肥量的全局優化

2.3.1 優化方法

設人為給定或隨機產生1個初始可行點(0)（輸入向量），并設()為第次迭代時求得的可行點，然后求()的梯度，即

若()滿足迭代終止條件，即滿足

=0∈[0,1,2,…] （7）

則最優解（輸入向量）

*=() （8）

對應的*（輸出向量）便是最優值。

若不滿足式（7），則令

(+1)=()+D() （10）

式中步長因子，且>0。

若(+1)不滿足約束條件，則令

(+1)()+·D() （11）

式中為收縮系數，且0<<1，一般可取0.5。

若新的(+1)仍不滿足約束條件，則令

0.5（12）

重新按式（11）進行計算，直到(+1)滿足約束條件為止。然后判斷是否滿足下式

=0 （13）

若滿足式（13），則令

*=(+1) （14）

式中*為最優解，對應的*便是最優值。

若不滿足式（13），則判斷(+1)是否優于()，即是否滿足下式

((+1))>(()) （15）

若滿足式（15），則從(+1)點出發，進行下一次迭代計算；若(+1)不滿足式（15），則按式（12）繼續減小的值，直至滿足式（13）或式（15）為止。

若(+1)滿足約束條件且優于()，則令

2（16）

()(+1) （17）

然后按式（9）和式（10）重新進行計算，于是得到1個新的(+1)。若新求得的(+1)不滿足約束條件或不滿足式（15），則(+1)的值取()的值。然后從(+1)點出發，進行下一次迭代計算。若新求得的(+1)滿足約束條件且滿足式（15），再按式（17）將(+1)的值賦給()，并按式(16)繼續增加步長，再按式（9）和式（10）重新進行計算，直至求得的(+1)不滿足約束條件或不優于()為止，則(+1)的值取()的值。然后從(+1)點出發，進行下一次迭代計算。

若(+1)滿足約束條件但不優于()，則按式（12）將的值減半，然后按式（11）重新進行計算，求得一個新點(+1)。若求得的新點(+1)不滿足約束條件，則按式（12）繼續將的值減半，直至滿足約束條件。若求得的新點(+1)滿足約束條件，但仍不優于()，則再按式（12）繼續減小的值，然后再按式（11）重新進行計算，再求得1個新的(+1)，如此進行下去，直至求得的新點(+1)優于()或滿足迭代終止條件。若新的(+1)優于()，則從(+1)點出發，進行下一次迭代計算。

如此計算下去，直至滿足迭代終止條件為止（即梯度或步長為0）。

2.3.2 優化的約束條件

根據試驗設計時各因素水平的上下限，玉米種植密度和施肥量優化問題的約束條件為

3 結果與分析

3.1 基于BP神經網絡模型的玉米產量擬合結果

根據表2中的試驗數據，玉米產量1與種植密度1（104株/hm2）、施N量2（kg/hm2）、施P2O5量3（kg/hm2）、施K2O量4（kg/hm2）的二次回歸方程為

BP神經網絡模型的擬合值與試驗值對比如圖3a所示。二次回歸模型擬合值與試驗值對比如圖3b所示。對比圖3a和圖3b可知，BP神經網絡模型的2為0.98（<0.01）、均方根誤差（root-mean-square error，RMSE）為189.89 kg/hm2，二次回歸模型的2為0.87（<0.05）、均方根誤差為464.25 kg/hm2，表明BP神經網絡模型的擬合程度和精度均優于回歸模型，運用BP神經網絡模型擬合函數能夠更真實地反映試驗因素與試驗目標之間的函數關系。

注：RMSE是均方根誤差，下同。

Note: RMSE is root-mean-square error, same as below.

圖3 不同模型玉米產量擬合值與試驗值對比

Fig.3 Comparison of experimental and fitted values by different models

3.2 基于BP神經網絡模型的全局優化

以訓練后的BP神經網絡模型為目標函數，采用本文提出的優化方法對玉米種植密度和施肥量進行優化，求解使網絡輸出取得最優值的網絡輸入。從10個不同的隨機初始點(0)分別進行優化求解，優化結果如表3所示。由表3可知，從不同的初始點進行優化求解，獲得本試驗條件下紅星農場德美亞1號玉米最佳種植密度和施肥量為種植密度9.32×104株/hm2，施N量139.5 kg/hm2，施P2O5量85.4 kg/hm2，施K2O量70.8 kg/hm2，該參數組合下玉米的產量高達16 308.53 kg/hm2。

運用Design-Expert 8.0優化軟件對二次回歸模型擬合的回歸方程進行優化，獲得試驗條件下紅星農場德美亞1號玉米最佳種植密度9.325×104株/hm2，施N量137.26 kg/hm2，施P2O5量92.44 kg/hm2，施K2O量70.98 kg/hm2。該參數組合下玉米的產量高達為16 009.00 kg/hm2。

對比2種方法所得優化結果，BP神經網絡模型擬合函數的RMSE、2、值都優于二次回歸模型擬合函數；BP神經網絡全局優化方法所得玉米最佳種植密度和施肥量對應的玉米產量高于回歸模型的優化所得。玉米產量與最佳種植密度和施肥量的優化研究屬于黑箱問題，而黑箱問題的最優解存在不確定性，無法判斷2個結果的優劣。利用基于BP神經網絡的優化方法和回歸模型進行玉米種植密度和施肥量的優化研究，均是建立在種植密度和施肥量與產量之間函數關系逼近的基礎上。理論上，相對平均誤差小的擬合函數更接近問題的真實函數，所得優化結果的準確性越高。

表3 10次BP神經網絡優化計算結果

3.3 試驗驗證結果

為檢驗BP神經網絡優化方法所得最佳種植密度和施肥量參數的可靠性，于2016年5－10月在黑龍江省農墾總局北安管局紅星農場進行試驗。試驗區面積1 hm2，劃分為10個面積相等的小區，采用大壟雙行種植模式，小區間不設保護行。試驗于2016年5月10日播種，試驗期間無人工灌溉，降雨量為445.7 mm，9月23日成熟后人工收獲，收獲時按小區單收單打，14%標準水分別稱質量測產。當種植密度為9.32×104株/hm2，施N量139.5 kg/hm2，施P2O5量85.4 kg/hm2，施K2O量70.8 kg/hm2時，驗證試驗結果如表4所示。由表4可知，試驗所得的玉米最大產量和最小產量分別為16 171.7和15 798.8 kg/hm2，平均產量為15 948.3 kg/hm2，與BP神經網絡優化產量（16 308.53 kg/hm2）的絕對誤差為?360.23 kg/hm2，相對誤差為?2.21%，小于5%。雖然試驗結果與優化結果之間存在一定的誤差，但考慮到降雨量、收獲及晾曬時落粒損失、測產標準水不均勻等因素的綜合影響，試驗結果的誤差在允許范圍內?？梢?，BP神經網絡優化方法所得優化結果準確可靠。

表4 基于BP神經網絡優化結果的玉米產量驗證

注：種植密度9.32×104株·hm-2；施N量139.5 kg·hm-2；施P2O5量85.4 kg·hm-2；施K2O量70.8 kg·hm-2。

Note: Planting density is 9.32×104plants·hm-2; N application rate is 139.5 kg·hm-2; P2O5application rate is 85.4 kg·hm-2; K2O application rate is 70.8 kg·hm-2.

5 結 論

本文在BP神經網絡函數關系擬合的基礎上，提出一種基于BP神經網絡的優化方法，并將其應用于玉米種植密度和施肥量的優化這一實際問題。該方法將BP神經網絡的函數擬合與優化結合起來，擴大了BP神經網絡的應用范圍。

利用本文提出的優化方法對紅星農場德美亞1號玉米種植密度和施肥量試驗數據進行優化，獲得試驗條件下玉米最佳種植密度9.32×104株/hm2，施N量139.5 kg/hm2，施P2O5量85.4 kg/hm2，施K2O量70.8 kg/hm2。該參數組合下玉米產量高達為16 308.53 kg/hm2，高于二次回歸模型優化所得玉米最高產量16 009.00 kg/hm2。以BP神經網絡優化方法所得優化結果在黑龍江省農墾總局北安管局紅星農場試驗園區進行驗證試驗，得出該優化方案的玉米產量為15 948.3 kg/hm2，試驗結果與優化結果的相對誤差僅為?2.21%，表明基于BP神經網絡的優化方法應用于玉米種植密度和施肥量優化的可靠性。

基于BP神經網絡的優化方法在玉米種植密度和施肥量優化上的應用，對指導紅星農場玉米生產、提高玉米產量、降低生產成本、減輕農業面源污染具有重要的現實意義；同時，為解決農業生產領域中類似優化問題提供了一種思路。

[1] 呂碩，楊曉光，趙錦，等. 氣候變化和品種更替對東北地區春玉米產量潛力的影響[J]. 農業工程學報，2013，29(18)：179－190.

Lü Shuo, Yang Xiaoguang, Zhao Jin, et al. Effects of climate change and variety alternative on potential yield of spring maize in Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(18): 179－190. (In Chinese with English abstract)

[2] 薛吉全，張仁和，馬國勝，等. 種植密度、氮肥和水分脅迫對玉米產量形成的影響[J]. 作物學報，2010，36(6)：1022－1029.

Xue Jiquan, Zhang Renhe, Ma Guosheng, et al. Effects of plant density, nitrogen application, and water stress on yield formation of maize[J]. Acta Agronomica Sinica,2010, 36(6): 1022－1029. (In Chinese with English abstract)

[3] Muoneke C O, Ogwuche M A O, Kalu B A. Effect of maize planting density on the performance of maize/soybean intercropping system in a guinea savannah agroecosystem[J]. African Journal of Agricultural Research, 2007, 2(12): 667－677.

[4] 王慶杰，李洪文，何進，等. 壟作免耕技術對土壤水分和玉米產量的影響[J]. 農業工程學報，2012，28(增刊2)：146－150.

Wang Qingjie, Li Hongwen, He Jin, et al. Effect of ridge culture and no-tillage on soil moisture and maize yield[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(Supp.2): 146－150. (in English with Chinese abstract)

[5] 李霞，湯明軍，張東興，等. 深松對土壤特性及玉米產量的影響[J]. 農業工程學報，2014，30(23)：65－69. Li Xia, Tang Mingjun, Zhang Dongxing, et al. Effects of sub-soiling on soil physical quality and corn yield [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 65－69. (in English with Chinese abstract)

[6] Liu Bing, Liu Xiaobing, Wang Cheng, et al. Responses of soybean yield and yield components to light enrichment and planting density [J]. International Journal of Plant Production, 2010, 4(1): 1－9.

[7] 楊錦忠，陸強. 作物產量模型中因子重要性的排序[J]. 農業系統科學與綜合研究，1997，13(2)：151－153.

Yang Jinzhong, Lu Qiang. Relative importance of factors involved in crop yield models[J]. System Sciences and Comprehensive Studies in Agriculture, 1997, 13(2): 151－153. (in Chinese with English abstract)

[8] 黃開健，楊華銓，譚華. 秋玉米高產栽培技術的最佳密度和施肥量研究[J]. 玉米科學，2001，9(1)：57－59.

Huang Kaijian, Yang Huaquan, Tan Hua. The optimal density and fertilizing amount of autumn maize[J]. Maize Science, 2001, 9(1): 57－59. (in Chinese with English abstract)

[9] 胡芬，陳尚模. 壽陽試驗區玉米地農田水分平衡及其覆蓋調控試驗[J]. 農業工程學報，2000，16(4)：146－148.

Hu Fen, Chen Shangmo. Shouyang test water balance in maize and its coverage of control test[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2000, 16(4): 146－148. (in Chinese with English abstract)

[10] 蔡太義，賈志寬，孟蕾，等. 渭北旱塬不同秸稈覆蓋量對土壤水分和春玉米產量的影響[J]. 農業工程學報，2011，27(3)：43－48.

Cai Taiyi, Jia Zhikuan, Meng Lei, et al. Effects of different rates of straw mulch on soil moisture and yield of spring maize in Weibei Highland area of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 43－48. (in Chinese with English abstract)

[11] 王宏庭，王斌，趙萍萍，等. 種植方式、密度、施肥量對玉米產量和肥料利用率的影響[J]. 玉米科學，2009，17(5)：104－107.

Wang Hongting, Wang Bin, Zhao Pingping, et al. Influence of plant arrangement, density and the rate of fertilizer applied on maize yield and fertilizer use efficiency[J]. Journal of Maize Science, 2009, 17(5): 104－107. (in Chinese with English abstract)

[12] 李宗新，陳源泉，王慶成，等. 密植條件下種植方式對夏玉米群體根冠特性及產量的影響[J]. 生態學報，2012，32(23)：7391－7401.

Li Zongxin, Chen Yuanquan, Wang Qingcheng, et al. Effect of different planting methods on root shoot characteristics and grain yield of summer maize under high densities[J]. Acta Ecologica Sinica, 2012, 32(23): 7391－7401. (in Chinese with English abstract)

[13] 陳傳永，侯玉虹，孫銳，等. 密植對不同玉米品種產量性能的影響及其耐密性分析[J]. 作物學報，2010，36(7)：1153－1160. Chen Chuanyong, Hou Yuhong, Sun Rui, et al. Effects of planting density on yield performance and density tolerance analysis for maize hybrids[J]. Acta Agronomica Sinica, 2010, 36(7): 1153－1160. (in Chinese with English abstract)

[14] 李渝，張雅蓉，張文安，等. 貴州黃壤地區不同施肥處理及降雨量對玉米產量的影響[J]. 水資源與水工程學報，2015，26(1)：230－235.

Li Yu, Zhang Yarong, Zhang Wenan, et al. Effects of different fertilizer controls and precipitation on corn yield in yellow soil region of Guizhou[J]. Journal of Water Resources and Water Engineering, 2015, 26(1): 230－235. (in Chinese with English abstract)

[15] Liu Xiaoling, Jia Liangliang, Han Baowen, et al. Effects of different nutrient management systems and cultivation methods on crop yield and soil fertility[J]. Agricultural Science and Technology, 2011, 12(11): 1674－1679.

[16] 饒大恒，鄒細標. 密度、施肥量和施肥方式對玉米形狀及產量影響的研究[J]. 江西農業大學學報，1993，15(4)：418－422.

Rao Daheng, Zou Xibiao. Studies on the effects of planting density, fertilizer amount and fertilizing pattern on the characteristics and yield of corn[J]. Acta Agriculturae Universitis Jiangxiensis, 1993, 15(4): 418－422. (in Chinese with English abstract)

[17] 劉恩科，趙秉強，胡昌浩，等. 長期施氮、磷、鉀化肥對玉米產量及土壤肥力的影響[J]. 植物營養與肥料學報，2007，13(5)：789－794.

Liu Enke, Zhao Bingqiang, Hu Changhao, et al. Effects of long-term nitrogen, phosphorus and potassium fertilizer applications on maize yield and soil fertility[J]. Plant Nutrition and Fertilizer Science, 2007, 13(5): 789－794. (in Chinese with English abstract)

[18] 李忠芳，徐明崗，張會民，等. 長期施肥下中國主要糧食作物產量的變化[J]. 中國農業科學，2009，42(7)：2407－2414.

Li Zhongfang, Xu Minggang, Zhang Huimin, et al. Grain yield trends of different food crops under long-term fertilization in China[J]. Scientia Agricultural Sinica, 2009, 42(7): 2407－2414. (in Chinese with English abstract)

[19] 李改珍，艾復清，趙宇航. 不同密度及施氮肥對油菜產量的影響[J]. 山地農業生物學報，2004，23(3)：198－201.

Li Gaizhen, Ai Fuqing, Zhao Yuhang. Study on high-yield cultivating technique for rape in different nitrogen and density[J]. Journal of Mountain Agriculture and Biology, 2004, 23(3): 198－201. (in Chinese with English abstract)

[20] 艾復清，李改珍. 施氮量、密度與油菜產量關系的旋轉回歸分析[J]. 中國農學通報，2005，21(4)：142－144.

Ai Fuqing, Li Gaizhen. Study on yield of the rape in different nitrogen and density[J]. Chinese Agriculture Science Bulletin, 2005, 21(4): 142－144. (in Chinese with English abstract)

[21] Shapiro C A, Wortmann C S. Corn response to nitrogen rate, row spacing, and plant density in Eastern Nebraska[J]. Agronomy Journal, 2006, 98(3): 529－535.

[22] Widdicomde W D, Thelen K D. Row width and plant density effects on corn grain production in the Northern corn belt[J]. Agronomy Journal, 2002, 94(5): 1020－1023.

[23] Cox W J, Cherney D J R. Row spacing, plant density, and nitrogen effects on corn silage[J]. Agronomy Journal, 2001, 93(3): 597－602.

[24] Cox W J, Hanchar J J, Knoblauch W A, et al. Growth, yield, quality and economics of corn silage under different row spacing[J]. Agronomy Journal, 2006, 98(1): 163－167.

[25] 張淑娟，何勇，方慧. 人工神經網絡在作物產量與土壤空間分布信息關系分析中的應用[J] . 系統工程理論與實踐，2003(12)：121－127.

Zhang Shujuan, He Yong, Fang Hui. Application of artificial neutral network on relationship analysis of crop yield and soil space distributing information[J]. System Engineering Theory and Practice, 2003(12): 121－127. (in Chinese with English abstract)

[26] 張漫，李婷，季宇寒，等. 基于BP神經網絡算法的溫室番茄CO2增施策略優化[J]. 農業機械學報，2015，46(8)：239－244.

Zhang Man, Li Ting, Ji Yuhan, et al. Optimization of CO2enrichment strategy based on BPNN for tomato plants in greenhouse[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8): 239－244. (in Chinese with English abstract)

[27] 鞠金艷，王金武，王金峰. 基于BP神經網絡的農機總動力組合預測方法[J]. 農業機械學報，2010，41(6)：87－92.

Ju Jinyan, Wang Jinwu, Wang Jinfeng. Combined prediction method of total power of agricultural machinery based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(6): 87－92. (in Chinese with English abstract)

[28] 王吉權，王福林，邱立春. 基于BP神經網絡的農機總動力預測研究[J]. 農業機械學報，2011，42(12)：121－126.

Wang Jiquan, Wang Fulin, Qiu Lichun. Prediction of tolal power in agriculture machinery based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(12): 121－126. (in Chinese with English abstract)

[29] 王吉權. BP神經網絡的理論及其在農業機械化中的應用研究[D]. 沈陽：沈陽農業大學，2011.

Wang Jiquan. Research on BP Neural Network Theory and Its Application in Agricultural Mechanization[D]. Shenyang: Shenyang Agricultural University, 2011. (in Chinese with English abstract)

[30] 王偉. 黑龍江省大豆合理施肥參數的研究[D]. 哈爾濱：東北農業大學，2009.

Wang Wei. A Study on Parameters of Rational Fertilization for Soybean in Heilongjiang[D]. Harbin: Northeast Agricultural University, 2009. (in Chinese with English abstract)

[31] 韓力群. 人工神經網絡教程[M]. 北京：北京郵電大學出版社，2006，12.

Optimization of maize planting density and fertilizer application rate based on BP neural network

Wang Fulin, Dong Zhigui, Wu Zhihui, Fang Kun

(150030)

Planting density and fertilizer application rate are the important factors affecting crop yield, and the unreasonable utilization has caused a series of serious consequences such as high cost, agriculture resources waste, agricultural non-point source pollution, and ecological environment deterioration and so on. In this study, a BP neural network-based optimization method of planting density and fertilizer application rate was proposed and tested for its feasibility by field experiments. The field experiment was carried out in Hongxing Farm of Heilongjiang, China (126°47′E, 48°01′N) in 2014 and 2015. The experiment of 4 factors and 5 levels was designed by using the quadratic orthogonal rotation method. Four factors included planting density, N, P and K application rate. Five levels were considered as the equally spaced values taken from the planting density of 6.86×104-10.78×104plants/hm2, the N application rate of 40-216 kg/hm2, the P2O5application rate of 32.2-151.8 kg/hm2and the K2O application rate of 25-115 kg/hm2. Among the 5 levels, the 0 level referred to the local experience value. A total of 36 plots were prepared and each plot had the width of 4.4 m and the length of 5 m. Maize (variety of Deyamei No.1 ) was planted on ridges in the width of 100 cm and in the height of 15 cm. Irrigation was not conducted during the experiment. The rainfall during the growing season of maize was 471.4 mm in 2014 and 460.7 mm in 2015. At harvest, the maize yield was determined. The field data was fitted using BP neural network model and regression method, respectively for optimization of planting density and fertilizer application rates. The BP neural work optimization method included model establishment and global optimization. The data was processed in Matlab. The results showed that the BP neural network model had higher determination coefficient of 0.98 (<0.01) than the regression model (2=0.87,<0.05). Meanwhile, the former had smaller root-mean-square error of 189.89 kg/hm2than the latter (464.25 kg/hm2). It indicates that the BP neural network model was better in fitting the relationship between maize yield and fertilizer application rate. Furthermore, the global optimization was conducted for 10 times by using BP neural network model. Each computation started from random input values of planting density and fertilizer application rate within the designed range in the field experiment. All the computation provided a same optimization result: the maize yield of 16 308.53 kg/hm2, the planting density of 9.32×104plants/hm2, the N application rate of 139.5 kg/hm2, the P2O5application rate of 85.4 kg/hm2and the K2O application rate of 70.8 kg/hm2. In 2016, a field experiment was conducted in the same place with the optimization results of the planting density and fertilizer application rate. The results showed that the maize yield was 15 948.3 kg/hm2with a maximum value of 16 171.7 kg/hm2and a minimum value of 15 798.8 kg/hm2. The relative error between the measured and optimized maize yield was -2.21%, below than 5%. It suggested that the BP neural network model was reliable. Therefore, this study provides a stable and feasible optimization method to solve the similar optimization problem in field of agriculture production. Meanwhile, this study expands the application of BP neural network in agriculture.

neural networks; regression analysis; optimization; maize; yield; planting density; fertilizer application rate

10.11975/j.issn.1002-6819.2017.06.012

S157.4

A

1002-6819(2017)-06-0092-08

2016-08-25

2017-03-12

國家自然科學基金面上項目（31071331）；國家“十二五”科技支撐計劃課題子課題（2014BAD06B04-2-9）；公益性行業（農業）專項課題（201503116-04）。

王福林，男，黑龍江安達人，教授，博士，博士生導師，主要從事農業系統工程與管理工程研究。哈爾濱 東北農業大學工程學院，150030。Email：fulinwang1462@126.com