基于BP神經網絡的煙田土壤水分預測

尹健康，陳昌華，邢小軍，譚 俊，姚 進

(1. 四川大學制造科學與工程學院 成都 610065; 2. 四川涼山煙草公司 四川 西昌 615000)

基于BP神經網絡的煙田土壤水分預測

尹健康1,2，陳昌華1，邢小軍2，譚 俊1，姚 進1

(1. 四川大學制造科學與工程學院 成都 610065; 2. 四川涼山煙草公司 四川 西昌 615000)

提出了分區域、分階段建立煙葉田間土壤水分預測簡化模型的思想，并利用BP神經網絡建立了煙田土壤水分預測模型，確定區域階段土壤水分初值、蒸發量、月均氣溫、日照、降雨量為輸入層和階段土壤水分為輸出層，實現了從輸入端到輸出端的非線性映射。研究表明，該預測模型具有較好的預測效果，有廣泛的適應性和廣闊的應用前景。

BP神經網絡; 預測模型; 土壤水分; 煙葉

煙草是我國重要的經濟作物，煙葉種植是煙草生產重要的環節之一。煙田土壤水分的變化對煙葉的生長、產量和煙葉香氣質量，以及肥料利用率、煙株根系生長、土傳性病蟲害等都有很大影響[1]。因此，土壤水分預測研究對煙區煙草種植的規劃，尤其是確定施肥種類、數量，以及煙草土傳性病害預測預報具有重要意義。

近年來，國內外學者對土壤水分預測研究取得了一定的成果。研究方法主要分為兩類：(1)以氣象和作物要素與土壤水分相關關系為基礎的統計預報方法(經驗法)，如文獻[2]介紹的利用降雨、蒸發、氣溫、氣壓等參數，通過建立數學模型對土壤水分變化進行估算；文獻[3]系統地給出的多種農業氣象指標對水分脅迫的響應狀況，建立的包含輻射強度、溫度及土壤水分因子的小麥葉片光合作用模式；美國康奈爾大學應用土壤信息系統，建立的計算機模型NSM(newhall simulation model)[4]。(2)從土壤水分平衡方程和土壤水動力學原理出發分析未來土壤的水分狀況(理論法)，如文獻[5-6]利用土壤水分指數消退關系建立的相對簡單和便于應用的經驗遞推模型，對田間墑情的預報效果較好；文獻[7]利用土壤水動力學模型，對麥田土壤水分進行研究，取得了較好的預測效果；文獻[8]提出的較完整的關于SPAC(soil-plant-atmosphere-continue)概念，用數學模型描述SPAC系統中的水流運動過程。

煙田土壤水分預測是一個較為典型的高度非線性過程，數理統計模型很難精確預測煙田土壤水分，理論建模需要全面考慮影響因素，建模難度較大，很難得到理想的預測結果。

本文利用人工神經網絡中的BP網絡模型，建立形式相對簡單、參數易于獲取、操作簡單而又能滿足實際需要的土壤水分預測方法，對煙葉生產過程管理和煙區的整體規劃有一定的指導作用。

1 煙田土壤水分預測簡化建模

1.1 煙草生長階段

煙草的生長一般分為還苗期、伸根期、旺長期和成熟期4個階段，涼山州煙區煙草的各個生長階段的時間如表1所示。

表1 涼山州煙草生長階段

煙草在不同的生長階段對水分的反應和需求量是不一樣的：(1)伸根期以前煙草對水分的需要量較小，階段耗水量占全生育期耗水總量的16～20%，該期輕度土壤干旱可以確保煙柱根系的發育；(2)旺長期煙草對水分的需要量最大，反應最敏感，階段耗水量占全生育期耗水總量的44～46%，該期干旱對煙葉產量的影響最大；(3)成熟期煙草對水分的需求量趨于減少，階段耗水量占全生育期耗水總量的35～37%，但該期對煙草品質的影響較為顯著[9]。

1.2 煙草種植區域特征

不同煙草種植區域，氣候特征(年日照數、年均氣溫、年降水量等)的差別較大，土壤水分的變化規律也有所不同；即使是同一區域，也存在地形特征的差異(如有平壩、坡地、山地3種地形)，各種地形的土壤水分差異非常大。但在同一區域、同一地形條件下，土壤水分受外界因素影響的變化規律基本相同。

1.3 煙田土壤水分預測簡化建模思想

由于存在生長階段和區域性的差異，如果籠統地對煙田土壤水分進行建模分析，難度大且無法實現準確預測。這是因為煙草生長階段、區域和地形等因素對煙田土壤水分的影響無法量化。因此，在同一地區、同一地形、同一煙草生產階段條件下，土壤水分變化只與氣候變化有關，在該條件下，煙田土壤水分預測模型將能簡化，并能提高預測的準確性。

2 基于BP神經網絡的煙田土壤水分預測模型

2.1 BP神經網絡

BP(back propagation)神經網絡具有較強的自學習能力和處理非線性問題能力，在數據分析中具有模型無關的特性[10-11]。BP神經網絡的學習由以下4個過程組成：(1)學習樣本對的輸入加在神經網絡的輸入端，神經元的激活值由輸入層經隱含層，在輸出層各神經元獲得響應的“模式順傳播”過程；(2)按減小希望輸出與實際輸出的誤差方向，從輸出層向隱含層再向輸入層逐層修正各連接權值的“誤差逆傳播”過程；(3)由“模式順傳播”過程與“誤差逆傳播”過程的交替進行的網絡學習訓練過程；(4)網絡全局誤差趨向極小的學習收斂過程。

利用BP神經網絡，只需要分析目標地區的主要土壤水分影響因子，并依據主要影響因子進行分組或數值量化表示，選取具有普遍代表性的一系列樣本對神經網絡模型進行訓練，得出神經網絡模型參數，就可以進行土壤水分分析[12]。在煙田土壤水分預測方面，由于煙田土壤水分是一個較為典型的高度非線性過程，很難用標準的數學模型對煙田土壤水分進行預測，利用BP神經網絡不需要建立精確的數學模型，就能實現從輸入端到輸出端的非線性映射，建立BP神經網絡模型進行煙田土壤水分預測。

2.2 模型輸入層和輸出層變量的確定

土壤水分經驗計算公式為[12]：

式中 Q2表示各生長階段單位面積的土壤水分；Δt為生長階段時間；Q1、P、I、S、Et、L分別為相應時段內的水分初值、降水量、灌水量、徑流量、蒸散發強度、滲漏量。

BP網絡本質上是一種靜態網絡，而煙田土壤水分變化是一個動態過程。BP網絡用于土壤水分預報時，根據預測階段初的土壤水分Q1(實測值或上一步預測值)、階段內影響土壤水分變化的主要因素預測階段末的土壤水分Q2，并通過對各個連續階段的預測來模擬土壤水分的動態變化。按照分區域、分階段建模的思想和數據易獲得的原則，在同一區域、同一階段的條件下，假定灌水量、徑流量、滲漏量為常量，并結合煙草生產實踐經驗，認為平均氣溫和日照時間對土壤水分有較大的影響。通過以上分析，在土壤水分預報的BP網絡模型中采用預測階段初土壤水分(Q1)，階段蒸發量(E)，平均氣溫(T)，降雨量(P)，日照時間(St)等5個變量作為網絡輸入；階段末土壤水分Q2即預測值作為網絡輸出。通過對網絡輸入的研究，選取的輸入變量Q1、E、T、P和St相互影響，具有較強的相關性。

2.3 BP網絡模型的建立

模型采用3層BP神經網絡，該網絡由一個輸入層、一個隱含層和一個輸出層組成，每層含有若干個節點(也稱單元)，建立的煙田土壤水分預測的BP網絡模型如圖1所示。網絡輸入變量數n=5，輸出變量數m=1。在神經網絡中，關于隱含層節點數量的選擇還沒有確切的方法和理論，一般可設定不同的q值根據訓練結果進行選擇。本文首先根據BP網絡隱層節點設計的經驗公式式(2)[13]給定隱層節點數q的范圍為：

圖1 煙田水分BP預測模型

式中 n為輸入層單元數；m為輸出層單元數； 為[1,10]之間的常數。

然后在該范圍內通過試錯法選取最佳的隱含層單元數進行網絡訓練[14]，選取信號最小的神經元數目建立模型。

式中 u為自變量的偏移量。隱含層的輸出信息傳到輸出層，可得到最終輸出結果為：

以上過程為網絡學習的信息正向傳播過程，另一個過程為誤差反向傳播過程。如果網絡輸出與期望輸出間存在誤差，則將誤差反向傳播，利用式(6)調節網絡權重和閾值：

式中 Yp為第p個訓練樣本對應的網絡輸出；tp為第p個訓練樣本對應的期望輸出。反復運用以上兩個過程，直至網絡輸出與期望輸出間的誤差滿足一定的要求。

3 應用舉例

本文以涼山會理山地地區煙草生長的旺長期為例，對煙田土壤水分預測模型進行驗證。收集會理山地地區1971～2008年旺長期(6月份)的38組歷史數據作為樣本數據，如表2所示。

表2 樣本數據

3.1 訓練與結果

圖2 訓練誤差隨學習次數的變化曲線

在表2中，1971～2003年的前33組數據作為訓練樣本，用于訓練神經網絡模型；2004～2008年的后5組作為測試樣本，用于測試獲得的神經網絡煙田土壤水分預測模型。

利用Matlab6.5進行神經網絡模型訓練時，取學習速率lr0.05，動量常數a=0.9，最大訓練步數epochs 2 000，控制誤差goal=0.01。訓練之前對輸入輸出數據進行歸一化處理，便于網絡快速收斂。由式(2)得出隱層節點數的范圍為2～12，經過試錯法訓練比較選取隱層的節點數q為8，因此最終采用的網絡結構為BP(5,8,1)。訓練誤差隨學習次數的變化曲線如圖2所示。當訓練步數為163步時，誤差基本趨向穩定，網絡收斂性好，達到最好訓練效果。

3.2 網絡模型仿真預測

神經網絡模型訓練好后，用2004～2008年的5組測試數據對模型進行測試，預測結果如表3所示。神經網絡對土壤水分預測值與實測值的誤差在9%左右，說明網絡訓練成功，具有較好的泛化能力。

表3 網絡預測結果

4 結 束 語

(1)研究了煙草生長階段和種植區域特征與煙田土壤水分的關系，提出了分區域、分階段建立煙田土壤水分預測簡化模型的思想；

(2)由于煙田土壤水分預測是一個較為典型的高度非線性過程，提出了利用BP神經網絡建立煙田土壤水分預測模型的方法，確定目標區域階段土壤水分初值、蒸發量、月均氣溫、日照、降雨量為輸入層，階段土壤水分為輸出層，實現了從輸入端到輸出端的非線性映射。

(3)應用結果表明，預測模型具有較好的預測效果，對煙區種植的規劃尤其是確定施肥種類、數量以及煙草土傳性病害預測預報起到了一定的指導作用。同時，該方法也可廣泛應用于其他農作物種植區域土壤水分的預測。

[1]馬履一. 國內外土壤水分研究現狀與進展[J]. 世界林業研究,.1997, (5): 26-32.

MA Lu-yi. Research on Soil Water Parameters in China and Abroad[J]. World Forestry Research, 1997, (5): 26-32 .

[2]于東升, 史學正. 我國土壤水分狀況的估算[J]. 自然資源學報, 1998, 13(3): 229-233.

YU Dong-sheng, SHI Xue-zheng. Tentative assessment of soil moisture regime in china[J]. Journal of Natural Resources, 1998, 13(3): 229-233.

[3]劉建棟, 王馥棠, 于 強, 等. 華北地區冬小麥葉片光合作用模型在農業干旱預測中的應用研究[J]. 應用氣象學報, 2003, (4): 469-478.

LIU Jian-dong, WANG Fu-tang, YU Qiang, et al.Application of the leaf photosynthesis model for forecasting effect of drought on winter wheat in north china plain[J].Quarterly Journal of Applied Meteorology, 2003, (4):469-478.

[4]Armand R, WAMBEKE V. The Newhall simulation mModel for estimating soil moisture & temperature regimes [D].New York: Cornell University, Ithaca, 2000.

[5]尚松浩, 雷志棟, 楊詩秀. 冬小麥田間墑情預報的經驗模型[J].農業工程學報, 2000, 16(5): 31-33.

SHANG Song-hao, LEI Zhi-dong, YANG Shi-xiu.Empirical model for soil moisture forecast in winter wheat field[J]. Transactions of the Chinese Society of Agricultural Engneering, 2000, 16(5): 31-33.

[6]尚松浩, 毛曉敏, 雷志棟, 等. 冬小麥田間墑情預報的BP神經網絡模型[J]. 水利學報, 2002, 5(4): 60-63.

SHANG Song-hao, MAO Xiao-min, LEI Zhi-dong, et al.Back-propagation neural network model for soil moisture forecast of winter wheat field[J]. Journal of Hydraulic Engineering, 2002，5(4): 60-63.

[7]周良臣. 利用土壤水動力學模型預測麥田土壤水分的研究[J]. 節水灌溉, 2007, 4(3): 10-17.

ZHOU Liang-chen. Study on estimation of soil-water content by using soil-water dynamics model[J]. Water Saving Irrigation, 2007, 4(3): 10-17.

[8]高如泰, 陳煥偉, 李保國, 等. 基于BP神經網絡的土壤水力學參數預測[J]. 土壤通報, 2005, 36 (5): 641-646

GAO Ru-tai, CHEN Huan-wei, LI Bao-guo. Prediction of soil hydraulic characteristic parameters based on bp neural network[J]. Chinese Journal of Soil Science. 2005, 36 (5):641-646.

[9]龍 博. 煙草灌溉技術[J]. 農村實用技術, 2006, (5): 35-36.

LONG Bo. Tobacco irrigation technology[J]. Applicable Technologies for Rural Areas, 2006, (5): 35-36.

[10]WANG Chin-bin, CHEN Yuh-Jen, CHEN Yuh-Min.Application of ART neural network to development of technology for functional feature-based reference design retrieval[J]. Computer in industry, 2005, 56: 428-441.

[11]KHALIL SHIHAB. A backpropagation neural network for computer network security[J]. Journal of Computer Science, 2006, 2 (9): 710-715.

[12]劉全明, 陳亞新, 魏占明, 等. 基于人工智能計算技術的區域性土壤水鹽環境動態監測[J]. 農業工程學報,2006, 22(10): 1-6.

LIU Quan-ming, CHEN Ya-xin, WEI Zhan-min, et al.Dynamatic monitoring of zonal soil water-salt environment based on artificial intelligent technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006,22(10): 1-6.

[13]管新建, 李占斌, 李勉勵. 基于BP神經網絡的淤地壩次降雨泥沙淤積預測[J]. 西北農林科技大學學報(自然科學版), 2007, 35 (9): 221-225.

GUAN Xin-jian, LI Zhan-bin, LI Mian-li. Sediment deposition prediction of warping dam in single event rainfall based on BP neural network[J]. Journal of Northwest A & F University(Natural Science Edition).2007, 35 (9): 221-225.

[14]袁曾任. 人工神經元網絡及其應用[M]. 北京: 清華大學出版社, 1999.

YUAN Zeng-ren. Artificial Neural Network and Application[M]. Beijing: Tsinghua University Press, 1999.

編 輯 蔣 曉

Research on Prediction of Tobacco Field Soil Moisture Based on BP Neural Network

YIN Jian-kang1,2, CHEN Chang-hua1, XING Xiao-jun2, TAN Jun1, YAO Jin1

(1. School of Manufacturing Science and Engineering, Sichuan University Chengdu 610065;2. Tobacco Companies of Liangshan Xichang Sichuan 615000)

A method to simplify the model for forecasting the soil moisture of tobacco field by aiming at the same growing stage and area is proposed and a model to forecast the soil moisture of tobacco field based on BP neural network is established, in which the temperature, sunlight, rainfall, evaporation, and initial moisture of soil at a stage beginning are taken as the input and the soil moisture of tobacco field as the output. The research result shows that the prediction model of soil moisture has a good accuracy and has a wide range of adaptability.

BP neural network; prediction model; soil moisture; tobacco

S152.7

A

10.3969/j.issn.1001-0548.2010.06.018

2009- 10- 27 ;

2010- 08- 16

國家煙草專賣局科技基金(110200801006)

尹健康(1969- )，男，博士生，高級工程師，主要從事智能控制、生產過程管理與決策、煙草科研方面的研究.

·計算機工程與應用·