基于神經網絡的水稻不同生育周期長勢預測模型

周鶴 曹永忠

摘 要：水稻的生長發育是一個復雜的過程，其中土壤、氣候等環境因子對水稻的最終產量影響巨大。雖然有研究提出了天氣、土壤等環境因素對水稻產量影響的預測模型，但因缺乏對水稻各個生育周期的長勢的定量描述，所以對水稻不同生育周期的長勢預測還不夠細致。文章在水稻各周期生長模型特性和高郵灌區的水稻種植歷史數據的基礎上，設計并訓練出環境因素對水稻各生育生長趨勢影響預測模型。實驗結果證明了該方法的有效性及合理性，對預測水稻在不同周期長勢情況有一定的參考價值。

關鍵詞：水稻；生理周期；生長趨勢；神經網絡；預測模型

“民以食為天，食以稻為先。”全國65%以上人口以稻米為主食，水稻不僅是我國最主要的糧食作物，也是世界主要口糧之一。因此，對水稻的長勢情況的研究具有極其重要的現實意義。水稻相對其他糧食作物來說，生長過程長，生育周期多，影響因素多。長期以來，對水稻的長勢判斷多依靠于經驗，尤其對深入水稻生育周期里面的長勢情況更是缺乏有效的定量描述標準。本文給出一種基于BP神經網絡的長勢預測模型，來預測環境因子對水稻不同生育周期長勢的影響。

1 研究背景

根據大量的試驗資料分析，諸多影響水稻生長長勢的相關因素是相互聯系、錯綜復雜的，不同周期長勢糾纏關聯，絕不是一兩個數學公式能說清的，屬于多因素、非線性的問題。近年來，隨著人工智能的大熱，國內外學者紛紛把人工智能的方法應用到作物生長及其相關領域中，對分析這種復雜的生長問題取得了較好效果。如郭慶春等[1]采用BP人工神經網絡模型預測土壤含水量，得到結果與當地實際結果較為吻合。程曼等[2]融合了溫室外部環境數據和當地天氣情況，通過神經網絡的方法，建立了溫室未來環境狀況的全局變量預測模型，解決了溫室控制中的大滯后、大慣性問題。Aiping[3]結合BP，RBF，GRNN多種神經網絡模型，利用IOWA提出了一種用于預測小麥產量的網絡模型，得到滿意效果。Zhang等[4]采用遺傳算法對BP神經網絡進行優化，用地面光譜信息預測產量，方便快捷，精度高。

本文以江蘇高郵揚州大學農學院水稻灌溉區試驗田為研究區域，以2006—2016年試驗區土壤的水、肥、氣等墑情數據[5]和光照、氣溫、濕度、降水量等天氣數據[6]為數據集，結合水稻在不同周期末的測量的長勢數據，研究環境因素對水稻長勢的綜合影響，通過神經網絡建立水稻長勢情況的預測模型。

2 BP神經網絡

BP神經網絡是一種有監督的誤差逆傳播的多層神經網絡。由輸入層、隱含層和輸出層構成。當給定輸入時，從輸入層到輸出層的傳遞是前向傳播過程。初始權值一般為隨機值，如果實際值和期待輸出之間存在一定的誤差，那么模型沿著誤差反向傳播不斷修正，根據各層的誤差大小來調節各層的權重，如此反復，不斷迭代修正各層的權值直到最后的誤差到容忍的范圍。BP神經網絡拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構

本研究中BP神經網絡表示為BP（n，q，m），輸入向量Xn=（X1，…Xm）T，輸出向量Ym=（Y1，…Ym）T，其中n為輸出層單元個數，q為隱含層單元個數，m為輸出層單元個數。

其中激活函數為（0，1）內連續取值的Sigmoid函數[7-8]：

f（u）= （1）

最終輸出結果為：

（2）

式中：為隱含層第j個單元到輸入層第k個單元的權重，Hip為輸入層到隱含層上輸出信息，為輸出層第k個單元的激活閾值。

誤差計算公式為：

（3）

式中：Yp表示第p個樣本的期待輸出值，tp表示第p個節點實際輸出值。初始權值采用隨機數生成，范圍為[-0.5，0.5]。隱層的隱單元定為8～12，最好根據經驗公式來確定[9-10]。

p=L+ （4）

式中：M，P，N分別為輸入層、隱含層和輸出層神經元的數目，L為1～10之間的一個整數。

權矩陣修正公式為：

（5）

式中：η表示學習效率，本研究取0.62；訓練樣本集選取2006—2015年灌區內水稻環境變量。

3 預測模型

數據預處理。因為采集的數據往往差異較大，很多不在一個數量級內，為了提高神經網絡的泛化能力[11]，處理公式為：

（6）

式中：Xdi為處理后的數據。

利用Matlab進行模型搭建，輸入層、隱含層采用tansig作為傳遞函數，輸出層選用logsig作為傳遞函數。動量參數定為0.9，均方差誤差為0.001。

水稻的生長是一個復雜過程，在農業上把水稻的生育周期劃分為返青期、分蘗期、拔節孕穗期、抽穗揚花期、灌漿期、成熟期6個周期[12-13]。（1）返青期：植株新生分蘗的葉尖露出葉鞘（13 d）。（2）分蘗期：植株總分蘗數到大試驗的設計穗數（26 d）。（3）拔節孕穗期：植株稻穗劍葉抽出（20 d）。（4）抽穗揚花期：植株稻穗的中部籽粒內部物呈乳漿狀（9 d）。（5）灌漿期：植株中部籽粒內容呈蠟狀（19 d）。（6）成熟期：植株谷粒變黃至成熟（20 d）。

因為水稻各個生理周期的形態特征變化極大，導致各期評價長勢的標準不盡相同，所以環境因子對每個周期的影響因素難以一概而論。

為了方便評價生理期內的生長的好壞趨勢，定義成長量為描述量G，G∈[0，1]。數值越大說明長勢越好，數值越小說明長勢越差。不同的生理周期的Gi的評價方法不盡相同，比如在分蘗期，以有效分蘗數、株高作為長勢主要評價指標，按照經驗公式中比重算出成長量，而在灌漿期中，以籽粒充實度、干物質量為主要評價指標。

為了能準確測算每個周期的生長量，本研究進一步細分，在水稻每個周期建立一個長勢預測模型（見圖2）。

在分期模型中，把歸一化后的周期數、光照、氣溫、水層高度、濕度、光照時長、土壤含水率、土壤pH、土壤含氧量 作為輸入的因子，本階段的生長量Gi為期待輸出。網絡結構為6-9-1三層結構。以此將2006—2016年的數據為樣本輸入，2017年的數據用作網絡檢測。

4 實驗認證及分析

4.1 試驗環境

試驗在江蘇高郵揚州大學農學院的灌溉試驗田進行。供試水稻品種為南粳9108，高郵地區屬于典型的亞熱帶溫潤季風氣候，主要受季風環流影響。土質為粉砂質壤土。試驗田肥力水平中等偏上有機質為20.20 g/kg，年平均氣溫18.8 ℃，年平均日照時間1 402.2 h，年平均降水量為1 002 mm，氮2.37 g/kg，速效磷9.5 mg/kg，速效鉀64 mg/kg。土壤排水和灌溉條件良好。每年一般在6月25日左右播種，7月15日左右移栽，秧苗有20d秧齡，各處理種植密度為17.8萬叢/hm2（28 cm×20 cm），多次重復，隨機區組排列同時做多組不同高度的水層對比實驗。

4.2 觀測指標與方法

（1）試驗用水量。通過水表精確記錄每次灌水時間和水量。

（2）環境觀測。記錄各生育期內溫度、濕度、光照強度、光照時長等氣候因素和土壤水分、土壤含氧量、土壤pH、有機質含量等土壤因素。

（3）生長動態觀測。分別在水稻的六大生理周期中取樣，每隔3天處理選取若干叢代表水稻植株，采集對應數據，測量株高、倒一葉至倒三葉的葉長、葉寬、最高莖蘗數、有效分蘗數、各個階段的干物質量等，根據階段評判指標人工進行判別長勢情況。

（4）考種測量。在收割前看一株上的穗數，每穗上實粒數、千粒重，計算出理論產量[14]。

4.3 結果分析

利用訓練的模型系統對2017年的水稻生長情況進行預測，即根據當年在不同周期的環境因素參數變量預測時段末的生長量以及最好的生長好壞情況。預測時段與實測資料一致，以便對預測模型進行驗證[15]（見表1），預測結果與訓練結果如圖3所示。

5 結語

本文在分析了土壤和天氣等環境因素對作物生長的影響的基礎上，利用生長量來更加定量化地描述水稻在不同周期的長勢好壞趨勢，分析天氣和土壤等環境因素對水稻長勢的影響，建立了基于BP神經網絡的水稻生長長勢預測模型。最后用網絡模型對2017年試驗區水稻生長長勢進行預測，得到的預測值較為準確，表明將BP網絡用在水稻長勢情況預測上是可行的，在模型的完善上還需要進一步的研究工作。

[參考文獻]

[1]郭慶春，王素娟，何振芳.基于BP人工神經網絡的土壤含水量預測模型的研究[J].山東農業科學，2012（12）：11-15.

[2]程曼，袁洪波，蔡振江，等.基于全局變量預測模型的溫室環境控制方法[J].農業工程學報，2013（s1）：177-183.

[3]AIPING W.Establishment of wheat yield prediction model in dry farming area based on neural network[J].Neuro Quantology，2018（6）：768-775.

[4]ZHANG Y，QIN Q.Winter wheat yield estimation with ground based spectral information[J].IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium，Valencia，2018（66）：6863-6866.

[5]邱才飛，邵彩虹，關賢交，等.節水灌溉對雙季晚稻農田生態及水肥利用的影響[J].西北農業學報，2018（4）：509-517.

[6]張倩.基于天氣預報信息解析的冬小麥灌溉預報研究[D].楊凌：西北農林科技大學，2015.

[7]沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008（5）：13-15.

[8]張清良，李先明.一種確定神經網絡隱層節點數的新方法[J].吉首大學學報（自然科學版），2002（1）：89-91.

[9]DAYHOFF J E，DELEO J M.Artificial neural networks[J].Cancer，2001（8）：1615-1634.

[10]高大文，王鵬，蔡臻超.人工神經網絡中隱含層節點與訓練次數的優化[J].哈爾濱工業大學學報，2003（2）：85-87.

[11]馮艷，付強，李國良，等.水稻需水量預測的小波BP網絡模型[J].農業工程學報，2007（4）：66-69.

[12]莊德續.不同栽培、灌溉模式對水稻需水規律和產量的影響研究[D].哈爾濱：東北農業大學，2015.

[13]朱士江，孫愛華，張忠學，等.不同節水灌溉模式對水稻分蘗、株高及產量的影響[J].節水灌溉，2013（12）：16-19.

[14]HOU，ZHAO Y X，ZHANG H F，et al.A novel method for predicting cadmium concentration in rice grain using genetic algorithm and back-propagation neural network based on soil properties[J].Environmental Science and Pollution Research International，2018（35）：35682-35692.

[15]YASEEN Z M，FU M，WANG C，et al.Application of the hybrid artificial neural network coupled with rolling mechanism and grey model algorithms for streamflow forecasting over multiple time horizons[J].Water Resources Management，2018（5）：1883-1899.