神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用

摘要：影響土壤的生長條件有很多種，例如氣候、土壤的特性以及農(nóng)作物的生長狀況等，這些因素都對土壤的墑情預(yù)測產(chǎn)生一定的影響。因此，在進(jìn)行土壤墑情預(yù)測工作時(shí)，可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在對目前的土壤墑情預(yù)測模型的比較分析的基礎(chǔ)上，可以使用創(chuàng)新的神經(jīng)網(wǎng)絡(luò)法建立土壤墑情預(yù)測的模型，通過對數(shù)據(jù)的分析總結(jié)，了解神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中起到的重要作用，并在不同地區(qū)的土壤墑情預(yù)測中都有廣泛應(yīng)用。本文主要對神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用進(jìn)行了詳細(xì)分析。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)法；土壤墑情；預(yù)測；應(yīng)用探析

中圖分類號(hào)： S152.7 文獻(xiàn)標(biāo)識(shí)碼： A DOI編號(hào)： 10.14025/j.cnki.jlny.2017.18.029

對土壤墑情進(jìn)行預(yù)測不僅是平衡農(nóng)田水分，實(shí)現(xiàn)土壤、植物、大氣三者的水分轉(zhuǎn)化的核心內(nèi)容，也是農(nóng)業(yè)生產(chǎn)的質(zhì)量和效率的重點(diǎn)研究部分。旱災(zāi)是主要的自然災(zāi)害之一，旱災(zāi)具有頻率快、時(shí)間長等特點(diǎn)。對于干旱的地區(qū)，通過對土壤的水分進(jìn)行預(yù)測對比，使用有效的土壤水分預(yù)測方法，對于合理利用農(nóng)業(yè)天氣預(yù)報(bào)，解決干旱問題的意義十分重大。

1 土壤墑情預(yù)測神經(jīng)網(wǎng)絡(luò)模型的建立

1.1 神經(jīng)網(wǎng)絡(luò)模型的概述

在傳統(tǒng)的土壤墑情預(yù)測模型中，如果只提供簡單的參數(shù)，那么模型則很難得到應(yīng)用，而且許多墑情預(yù)測模型都比較復(fù)雜，在實(shí)際應(yīng)用中很不方便，也存在一定的誤差。因此，可以采用神經(jīng)網(wǎng)絡(luò)方法，通過建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對土壤墑情進(jìn)行準(zhǔn)確的預(yù)測工作。

神經(jīng)網(wǎng)絡(luò)就是模擬人類思維的第二種方式。在神經(jīng)網(wǎng)絡(luò)模型中，BP網(wǎng)絡(luò)是應(yīng)用最為廣泛的模型之一。BP網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，可以學(xué)習(xí)和存儲(chǔ)許多輸入、輸出模式的映射關(guān)系，在各個(gè)領(lǐng)域都得到了廣泛的應(yīng)用。

1.2 神經(jīng)網(wǎng)絡(luò)模型的建立

BP網(wǎng)絡(luò)模型是一種前向多層網(wǎng)絡(luò)，主要由輸入層、多個(gè)隱含層以及輸出層構(gòu)成。每一層都有多個(gè)神經(jīng)元，同一層的各個(gè)神經(jīng)元之間沒有相互關(guān)聯(lián)，而相鄰的神經(jīng)元之間由權(quán)來連接。如圖1所示，三層的前饋網(wǎng)絡(luò)是最基本的BP網(wǎng)絡(luò)模型，也是應(yīng)用較為廣泛的。

在實(shí)際的土壤墑情預(yù)測中，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖，如圖2所示。

在圖2中，輸入層為影響土壤的墑情變化的主要因素，其節(jié)點(diǎn)數(shù)的個(gè)數(shù)由影響因素決定，而中間隱含層的節(jié)點(diǎn)數(shù)則根據(jù)模型的需要而決定，這三個(gè)層次的節(jié)點(diǎn)依次映射到下一個(gè)層次。對于各個(gè)層次之間的映射函數(shù)可以用可導(dǎo)的sigmoid函數(shù)表示：

f（x）=1/1+exp（-x）

由此可見，此模型具有極強(qiáng)的非線性映射能力。

對于BP網(wǎng)絡(luò)的算法，由信息的正向傳遞和誤差的反向傳播等兩部分組成。在信息的正向傳遞時(shí)，信息從輸入層到隱含層進(jìn)行計(jì)算，最終傳遞到輸出層，其神經(jīng)元的狀態(tài)只對下一層的神經(jīng)元狀態(tài)起作用。那么，如果輸出的數(shù)據(jù)不理想，就開始對輸出層的誤差數(shù)值進(jìn)行計(jì)算，接下來進(jìn)行反向傳播，從而利用計(jì)算機(jī)網(wǎng)絡(luò)，將誤差反向傳播回各層的神經(jīng)元中，最終得到精準(zhǔn)的數(shù)值。

2神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用

土壤墑情的主要影響因素包括：氣候、水分、土壤的特性以及農(nóng)作物的生長等，當(dāng)對某一地區(qū)的土壤墑情進(jìn)行預(yù)測時(shí)，就要充分考慮神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用，需要對影響土壤墑情的因素進(jìn)行分組或者數(shù)值量化表示，對于普遍的結(jié)果進(jìn)行模型的建立來分析土壤墑情。此外，可以使用圖2中地區(qū)土壤墑情的主要影響因素作為輸入層，對土壤墑情進(jìn)行實(shí)際的計(jì)算測量，再與預(yù)測的結(jié)果進(jìn)行比較，通過對土壤墑情的預(yù)測值和實(shí)際計(jì)算值的對比分析，可以很容易的看到一些非影響因素是否對結(jié)果造成了干擾以及最終參數(shù)的確定，建立神經(jīng)網(wǎng)絡(luò)模型時(shí)可以采用誤差的反向傳播法進(jìn)行計(jì)算分析。

通過以上分析可以看出，神經(jīng)網(wǎng)絡(luò)模型法在土壤墑情的預(yù)測上有重要的應(yīng)用。神經(jīng)網(wǎng)絡(luò)具有自主學(xué)習(xí)的優(yōu)勢，可以自主的建立輸入?yún)?shù)和具有可調(diào)層數(shù)的BP網(wǎng)絡(luò)模型，這種自主學(xué)習(xí)的功能還對預(yù)測有重要的意義，因此神經(jīng)網(wǎng)絡(luò)方法在土壤墑情的預(yù)測中可以廣泛的應(yīng)用。此外，神經(jīng)網(wǎng)絡(luò)模型所使用到的參數(shù)在目標(biāo)區(qū)域都很容易得到，在一定程度上方便了對土壤墑情的預(yù)測。

3 結(jié)語

以上對土壤墑情預(yù)測神經(jīng)網(wǎng)絡(luò)模型的建立，以及神經(jīng)網(wǎng)絡(luò)方法在土壤墑情預(yù)測中的應(yīng)用進(jìn)行了分析，從中可了解到，在土壤墑情的預(yù)測中使用神經(jīng)網(wǎng)絡(luò)法，只需要將目標(biāo)區(qū)域的土壤墑情影響因素進(jìn)行分析，并且將各個(gè)影響因素進(jìn)行分組，從中選出具有代表性的樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的建立，從而得出期望的參數(shù)值，這樣就可以通過神經(jīng)網(wǎng)絡(luò)模型法對土壤的墑情進(jìn)行預(yù)測。神經(jīng)網(wǎng)絡(luò)法具有廣泛的應(yīng)用，在土壤墑情預(yù)測中起到了重要的作用，應(yīng)該對BP網(wǎng)絡(luò)模型不斷的優(yōu)化完善，以保證土壤墑情預(yù)測的準(zhǔn)確性及便利性。

參考文獻(xiàn)

[1]侯曉麗，馮躍華，吳光輝.基于人工神經(jīng)網(wǎng)絡(luò)土壤墑情動(dòng)態(tài)預(yù)測模型應(yīng)用研究[J].節(jié)水灌溉，2016（07）：70-72.

[2]冀榮華，張舒蕾，鄭立華.基于多值神經(jīng)元復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（S1）：126-131.

作者簡介：吳敬東，本科學(xué)歷，助理工程師，研究方向：水利、水文及土壤墑情。endprint