基于neuralnet人工神經(jīng)網(wǎng)絡(luò)的農(nóng)作物預(yù)測(cè)模型研究

匡奕敩

（1.太行山獼猴國(guó)家級(jí)自然保護(hù)區(qū)焦作保護(hù)中心，河南 焦作 454002；2.中央民族大學(xué)生命與環(huán)境科學(xué)學(xué)院，北京 100081）

農(nóng)業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)，農(nóng)作物預(yù)測(cè)對(duì)國(guó)民經(jīng)濟(jì)發(fā)展具有決定性作用。精確、可靠、及時(shí)的農(nóng)作物預(yù)測(cè)對(duì)于了解農(nóng)作物的生產(chǎn)情況，保證市場(chǎng)供應(yīng)，制定價(jià)格具有至關(guān)重要的作用［1］。以現(xiàn)代信息技術(shù)與農(nóng)業(yè)生產(chǎn)相結(jié)合的智慧農(nóng)業(yè)能更好輔助診斷農(nóng)業(yè)生產(chǎn)和精準(zhǔn)化管理，提高農(nóng)作物預(yù)測(cè)水平［2］。

在農(nóng)業(yè)產(chǎn)量產(chǎn)值精準(zhǔn)預(yù)測(cè)方面，伍長(zhǎng)榮等［3］以有效灌溉面積、化肥施用量、農(nóng)村用電量、農(nóng)業(yè)機(jī)械總動(dòng)力、農(nóng)業(yè)勞動(dòng)力、糧食作物播種面積、受災(zāi)面積7 個(gè)影響因子為輸入，糧食生產(chǎn)量為輸出建立RBF神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)誤差小于2%。吳玉鳴等［4］以同樣的7 個(gè)影響因子作為輸入，糧食生產(chǎn)量為輸出建立BP 神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)預(yù)測(cè)精度大大提高，說(shuō)明神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)回歸方法的精度高。褚慶全等［5］利用BP 人工神經(jīng)網(wǎng)絡(luò)對(duì)宏觀農(nóng)業(yè)生產(chǎn)系統(tǒng)糧食總產(chǎn)進(jìn)行了預(yù)測(cè)，具有90%以上的擬合精度，但未指明神經(jīng)網(wǎng)絡(luò)的具體實(shí)現(xiàn)方法。Stastny 等［6］利用多層神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)作物產(chǎn)量，結(jié)果比回歸模型準(zhǔn)確，但沒(méi)有指明具體的影響因素。預(yù)測(cè)模型有很多種，找到關(guān)鍵影響因素是選擇預(yù)測(cè)模型的前提［7］。Dahikar 等［8］通過(guò)土壤氮、磷、鉀等類(lèi)型以及大氣溫度、降雨量、濕度等作為人工神經(jīng)網(wǎng)絡(luò)參數(shù)來(lái)預(yù)測(cè)作物產(chǎn)量之間的關(guān)系。劉鵬等［9］以氣候因素為依據(jù)，提出了一種基于改進(jìn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的農(nóng)作物產(chǎn)量時(shí)間序列預(yù)測(cè)的方法，發(fā)現(xiàn)基于LSTM 的改進(jìn)模型具有較高的準(zhǔn)確性，氣候因素對(duì)作物有一定的影響，但作物產(chǎn)量逐年遞增與氣候因素的反復(fù)變化很難有較大的相關(guān)性，從而影響網(wǎng)絡(luò)預(yù)測(cè)的精度。……