基于BP 神經網絡的鄭州農業灌溉用水預測

張藝聰

（華北水利水電大學信息工程學院，河南 鄭州450000）

我國各個地區因為天氣、地勢結構等條件的不同，農業灌溉用水量有很大差別，但是統一存在著灌溉用水量大、灌溉效率低下的問題，然而各個地區的水資源是有限的，所以必須合理安排利用水資源。對農業灌溉用水量的準確預測，有利于合理配置有限的灌溉用水量，也可以提高農田灌溉用水的利用效率。

國內在吸收借鑒西方理論基礎上結合中國的實際情況開始了對農業灌溉用水預測方法的大量研究工作，并取得一定的研究成果[1-17]。對于農業灌溉用水的預測，根據灌溉用水預測目的、對象的不同，一般可分為基于作物需水機理的預測方法、基于數理統計規律的預測方法以及基于啟發式算法的預測方法[1]。現階段也有將這幾類方法結合起來對農業灌溉用水進行預測的，這種做法大大提高了對于農業灌溉用水量預測的準確率。

在這么多研究方法中，BP 神經網絡模型非常適合于求解內部機制復雜的問題，而且原理比較簡單、便于操作。二十世紀以來，被許多學者用于水資源的預測中，并取得一定的研究成果[14-18]。研究成果證明了BP 神經網絡在對水資源的預測中具有較好的效果，所以可以將BP 神經網絡模型應用鄭州地區的農業灌溉用水量預測，鄭州市是都市型現代農業，農業生產經營主要以家庭經營為主，而且隨著城鎮化的不斷擴張，鄭州對土地的占用越來越多，同時工業污染對水資源和土地資源造成了嚴重的影響，使得這些區域用于農業灌溉的水資源相對短缺，所以對農業灌溉用水量的精準預測對于鄭州區域水資源配置至關重要。因此，本文以河南省鄭州市為例，采用BP 神經網絡模型對鄭州市2002－2018 年農業灌溉用水量進行預測，并將預測結果和鄭州市水資源公報實際記錄的農業灌溉用水量進行對比分析，從而證明BP 神經網絡模型在鄭州市農業灌溉用水預測上的有效性和預測精度，對鄭州地區以及北方地區農業灌溉用水預測提供一定的參考價值。

1 模型構建

1.1 BP 模型原理

BP（Back Propagation）神經網絡是1986 年由Rumelhart 和McCelland 為首的科研小組提出[20]。BP 神經網絡是現階段應用比較廣泛的神經網絡模型之一，其訓練模式是以誤差逆傳播的方式，其映射關系是輸入- 輸出模式，利用最速下降法的學習規則，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP 神經網絡的結構如圖1。

BP 神經網絡通過學習過程得到其模型的結構和權值。學習過程分為多層前饋和反向誤差修正兩個階段。前者是指從輸入層開始依次計算各層各節點的實際輸入、輸出；后者是根據輸出層神經元的輸出誤差，沿路反向修正各連接權值，使誤差減少[19]。多層前饋數學模型為

圖1 BP 神經網絡結構圖

在正向前饋過程中，依次按上式計算出各層的輸入、輸出，直到輸出層神經元的輸出誤差不能滿足精度要求，則進入誤差的反向傳播階段。

誤差的反向傳播階段采用梯度遞降算法，即調整各層神經元之間的連接權值，使總的誤差向減少的方向變化。其數學表達式為

則權值調整公式為

1.2 預測模型構建

本文的研究主題是對鄭州市農業灌溉用水的預測，結合其實際情況，對相關期刊論文中農業灌溉用水的影響因素進行統計，選取出現頻率比較高的指標，構建出預測模型。影響農業灌溉用水量的主要因素可以分為兩類，一類是從宏觀角度考慮的，即降水量、蒸發量、平均氣溫、灌溉面積等，適用于大范圍地區的灌溉用水預測；另一類是從微觀角度考慮的，即土壤濕度、空氣溫度、空氣濕度、光照度、風速和風向等，需要有非常具體的數據，適用于范圍比較小、可以實地采集每日相關數據的地區。前者預測模型的精度可能要低于后者，但是前者的適用性更廣。考慮數據收集的難易程度和數據統計的連貫性和真實性，本文從宏觀角度進行考慮，選取鄭州市的降水量、蒸發量、平均氣溫以及農田灌溉面積四個因素作為預測模型的主要指標，對鄭州市農業灌溉用水量進行預測。對變量影響的因素的個數就是BP 神經網絡模型輸入的神經單元的個數，因此預測模型的輸入為四維的向量。鄭州市的灌溉用水量是模型的目標向量，所以模型的輸出變量為一維的向量。

1.3 評價模型構建

在對相關期刊論文中的評價指標使用頻率和效用進行統計后，本文選擇均方根誤差（RMSE）、相對誤差、平均絕對百分誤差（MAPE）、模型有效度作為研究結果的評價指標，這些評價指標使用頻度較高，借此來衡量觀測值同真值之間的偏差，反映預測值誤差的實際情況，其計算公式如下：

2 模型應用分析

本文以鄭州市為基本研究對象，鄭州市位于東經112°42'-114°13'、北緯34°16'-34°58'，地處華北平原南部、黃河中下游、河南省中部偏北，鄭州市屬于暖溫帶季風性氣候。鄭州市年平均氣溫14℃左右，年均降雨量640.9 mm，全年日照時間約2400 h，年平均水資源總量為7.4 億m3。其中年農業灌溉用水量占據總水量比重較大，所以對于農業灌溉用水量的精準預測對于水資源的配置有一定的參考價值，本文選擇了BP 神經網絡模型對鄭州是農業灌溉用水量進行一個預測。

將鄭州市2002-2018 年各指標數據作為原始數據，數據來源于鄭州市水利局《水資源公報》、鄭州市統計年鑒 以及河南省統計年鑒。首先先把2002-2018 年鄭州市相關數據分為訓練集和驗證集，其中2002-2015 年數據作為訓練集，2016-2018 年數據作為驗證集，輸入到BP 神經網絡模型中，調整相關閾值，建立起針對鄭州市農業灌溉用水量的預測模型，對鄭州市農業灌溉用水量進行預測，并利用選取出的評價指標對BP 神經網絡模型的預測效果進行檢驗。模型預測結果和相關評價指標見表1 和表2。

表1 模型預測結果

表2 模型評價指標

從表1 中可以看出，BP 神經網絡模型的相對誤差的平均值為4.31%，滿足區域灌溉用水預測的精度規范要求，規范要求預測的灌溉水量和實測記錄灌溉水量之間的相對誤差應在10%以內[21]。因此可以證明BP 神經網絡模型的預測準確性較好，可以應用于農田灌溉用水預測；從表2 中可以看出，預測模型的RMSE、MAPE 均滿足灌溉用水預測的精度規范要求。在模型有效度上，預測模型的結果接近于1，驗證了預測模型具有較好的預測準確性。綜上，BP 神經網絡模型適用于鄭州市的農業灌溉用水預測，預測精度較好，預測結果具有一定的可靠性。

3 結論

3.1 本文采用BP 神經網絡模型預測了鄭州市2002－2018年農業灌溉用水量，并和鄭州市水資源公報記錄的實際農業灌溉水量進行對比分析，研究結論為BP 神經網絡模型在鄭州市的農業灌溉用水預測具有較好的精度，可以用于對鄭州市的農業灌溉用水預測。

3.2 本文在數據方面有一定的缺陷，因為數據獲取難度問題，只選擇了四個指標作為模型的輸入，而且只選擇了2002-2018 年的數據，數據較少，會在一定程度上影響模型的預測精度。