基于人工神經網絡土壤墑情動態預測模型應用研究

侯曉麗，馮躍華，吳光輝，何印興，常東明，楊會明

(1.河南省豫東水利工程管理局，河南 開封 475000；2.鄭州大學，鄭州 450001)

土壤墑情，通常指土壤是適合農作物生長的含水量情況，直接影響著作物的正常生長及其產量、產品的形成。快速、準確地測定農田土壤水分，探明作物生長發育期內土壤水分盈虧，做出節水灌溉、施肥決策或排水措施，對最終實現高產、高效、優質農業具有重要意義。我國水資源問題突出，節約用水是最有效最直接的方法，對土壤墑情進行實時監測和動態預報，就顯得非常有必要。

楊紹輝、王一鳴等[1]以組件式GIS軟件為開發平臺，對土壤墑情進行實時監測，直觀反映北京地區土壤墑情趨勢。王婧雅、高學睿等[2]運用改進的克里金插值法對大尺度農田土壤墑情分布進行了插值，分析了區域大尺度土壤墑情的分布規律，并以邯鄲市為例，驗證了修正克里金插值法的可行性和可靠性。尚松浩[3]研究了土壤墑情確定性模型與隨機性模型發展情況，論證了墑情預報對于水資源短缺條件下農田水分的合理調控的重要意義，預測了墑情預報模型的發展趨勢。李彥彥、張金萍等[4]針對陸渾灌區極端天氣頻發的問題，采用小波分析對灌區降水量、平均氣溫及作物需水量進行多時間尺度周期分析，并且運用Mann-Kendall法對各氣象要素進行突變檢驗。楊會明[5]構建了大型引黃灌區三義寨灌區土壤墑情動態預測模型，計算了作物灌溉需水量，并且計算了灌區引黃需水量。多年來土壤墑情預報主要依靠預報人員的經驗，缺乏準確的、科學的預報模型，不能夠對農作物節水灌溉提供可靠的參考依據。因此，我們需要基于所研究灌區自然條件特性，建立理論基礎詳實、結構形式簡單、計算參數容易取得、模擬操作步驟相對簡單的土壤墑情預報數學模型，快速準確預測農作物成長發育期間土壤含水量變化情況，為農作物節水灌溉工作提供科學依據。

本文在分析了三義寨灌區土壤墑情的時空分布規律的基礎上，基于人工神經網絡理論建立了不同埋深條件下的土壤墑情預報數學模型，實時預測灌區主要農作物生長期間的土壤含水量變化情況；該數學模型在三義寨灌區的成功應用表明，基于人工神經網絡的墑情預報數學模型能夠較好的預測土壤墑情變化情況，可為大型引黃灌區的土壤墑情預測提供參考依據。

1 人工神經網絡的土壤墑情動態預測模型

BP神經網絡是一種前向網絡，在現階段神經網絡模型中得到了廣泛的應用；BP神經網絡模型一般由數據輸入層、計算結果輸出層和若干隱含層構成，不同構層之間的神經元通過權連接進行不同的數據交換。圖1為人工神經網絡結構模型的傳遞示意圖；數據輸入層、結果輸出層和隱含參數層的神經元數目分別取為r、q、m，神經網絡模型表示為BP(r，q，m)，結構圖中a1～an為輸入層的各個分量，w1～wn表示模型中不同突觸的權值，b表示模型的偏置情況；t表示模型的結果輸出值，f表示模型計算過程的傳遞函數。一般的表示公式為t=f(WA′+b)。

圖1 人工神經網絡結構模型傳遞示意圖

神經元模型計算過程主要根據一個神經元輸入向量和權向量的內積值，采用非線性函數進行傳遞計算，求得神經元的標量結果。單個神經元通過采用超平面方法把n維空間分成兩個部分，進而判斷給定的輸入向量屬于超平面的哪一側。超平面方程一般可以表示為Wp+b=0，其中，W表示權向量，b為偏置，p為超平面上的向量。

2 模型數據來源及土壤墑情規律分析

2.1 數據來源

本文采用2011-2012年度三義寨灌區逐月旬的實測土壤墑情數據，具體分別為0.1、0.2和0.4 m土壤墑情分布情況，數據資料十分豐富，為人工神經網絡的土壤墑情動態預測模型建立與預報提供了數據基礎。

2.2 土壤墑情規律分析

(1)時間變化規律。通過對2011-2012年度逐月旬的土壤墑情實測數據統計分析可以看出，三義寨灌區土壤墑情整體變化趨勢平穩，一般每年的8月份土壤墑情值達到最大。通過對比分析三義寨灌區多年土壤墑情數據的變化情況可以看出，該地區多年土壤墑情處于一個穩定變化范圍，土壤墑情數據多年變化情況整體處于穩定水平，各不同埋深條件下實測數據之間存在一定的差值，一般表現為下層土壤墑情大于上層的土壤墑情，見圖2。

圖2 不同埋深條件下土壤墑情變化

(2)不同地區變化規律。灌區范圍內(主要指河南的開封、商丘和山東的菏澤地區)10、20、40 cm埋深條件下土壤墑情變化趨勢基本一致。由圖3可以看出，寧陵、睢陽、睢縣3個地區的土壤墑情變化情況最為接近，墑情數據大小基本一致，民權地區雖然墑情數據變化趨勢基本一致，但墑情值相對較小，說了民權地區相對最容易發生土壤缺水的干旱情況。虞城地區的土壤墑情數據波動值明顯大于其他地區，表明虞城地區土壤墑情影響因子與其他縣區土壤墑情的影響因子存在明顯不同。

圖3 各地區不同埋深條件下土壤墑情變化值

3 土壤墑情預測模型建立與檢驗

本文基于人工神經網絡(ANN)理論構建立了三義寨灌區不同埋深條件下土壤墑情動態預測數學模型。模型輸入變量主要為氣溫、風速、日照時長、濕度及降水量等，計算結果的輸出值為不同埋深條件下的土壤墑情計算值。

模型輸入條件采用三義寨灌區不同埋深條件下的實測土壤墑情數據，降水量為旬降水量之和，其他輸入數據采用的是旬平均值。模型計算過程中共采用78組數據(2011年1月-2012年6月)進行模型的率定與驗證。

根據人工神經網絡預測模型的需要，利用極值歸一方法對實測數據進行標準化處理，其中計算方法為yi=(xi-x最小)/(x最大-x最小)。在已經處理好的數據的基礎上，分別建立了不同埋深條件下的人工神經網絡動態預測數學模型(見表1)。

表1 2011年灌區主要氣象資料

(1)40 cm埋深條件下土壤墑情預測。在構建40 cm埋深條件下土壤墑情動態預測模型時，模型選擇為2層，選用恒等函數作為模型的輸出函數，隱含層采用sigmoid函數；模型對輸入數據采用批量處理方法，優化計算方法采用調整的共軛梯度，Lambda初始值為5×10-7，Sigma值初始值為5×10-5，間隔偏移范圍為±0.5，選用已經建立好的人工神經網絡模型對2012年7-12月實測土壤墑情進行模擬計算。

研究發現：40 cm埋深條件下墑情預測值為19.6，標準差為3.2，與實測值較為接近。通過spss相關分析可以看出，模型計算結果與實測數據吻合較好，模型計算值與實測數據的相關值大于0.95，協方差為11.2，具有較好的相關關系(0.01置信水平)，該模型較好的預測三義寨灌區40 cm埋深條件下土壤墑情變化情況(見圖4)。

圖4 40 cm埋深條件下土壤墑情變化對比圖

(2)20 cm埋深條件下土壤墑情預測。在構建20 cm埋深條件下土壤墑情預測模型時，模型選擇為2層，選擇雙曲正切函數作為模型的輸出函數，隱含層采用sigmoid函數；模型對因變量進行了標準化的處理，修正值為0.02。輸入數據采用批量處理方法，優化計算方法采用調整的共軛梯度，Lambda初始值為5×10-7，Sigma值初始值為5×10-5，間隔偏移幅度為±0.5，選用已經建立好的人工神經網絡模型對2012年7-12月份實測土壤墑情進行計算分析。

研究發現，20 cm埋深條件下墑情預測值為17.9，標準差為3.3，通過spss相關分析發現，模型計算結果與實測數據吻合較好。進一步對比分析，模型計算值與實測數據的相關值為大于0.98，協方差為11.0，在0.01置信區間表現為明顯的相關關系，該模型較好的預測三義寨灌區20 cm埋深條件下土壤墑情變化情況(見圖5)。

圖5 20 cm埋深條件下土壤墑情變化對比圖

(3)10 cm埋深條件下土壤墑情預測。模型對因變量進行了標準化的處理，修正值為0.02，對輸入數據進行批量處理，采用調整的共軛梯度對計算方法進行優化處理，Lambda初始值為5×10-7，Sigma值初始值為5×10-5，間隔偏移幅度為±0.5。

研究發現：10 cm埋深條件下墑情預測值為14.3，標準差為3.1。通過spss相關分析可以看出，模型計算結果與實測數據吻合較好，模型計算值與實測數據的相關值為大于0.97，協方差為8.6，在0.01置信區間表現為明顯的相關關系，該模型較好的預測三義寨灌區10 cm埋深條件下土壤墑情變化情況(見圖6)。

圖6 10 cm埋深墑情預測值與實測值對比圖

4 結 語

(1)利用2011-2012年度實測數據資料，分析了三義寨灌區墑情分布規律，年內墑情總體趨勢平穩，一般情況下每年8月份墑情達到最大值；多年來土壤墑情整體趨勢相對較為平穩，處于一個穩定的水平；不同埋深條件下土壤墑情存在明顯的差別，一般表現為下層土壤墑情大于上層的土壤墑情。

(2)基于人工神經網絡(ANN)理論建立了的不同埋深條件下三義寨灌區土壤墑情預測數學模型。以灌區0.1、0.2和0.4 m 3層土壤觀測實際資料對模型進行檢驗，計算值與實測數據吻合較好，模型具有較強的實用性，可用于了三義寨灌區不同埋深條件下的土壤墑情模擬計算與預測。

(3)基于人工神經網絡(ANN)理論的土壤墑情數值預報數學模型在三義寨灌區的成功應用，為大型灌區精細化、準確化灌溉提供了先進的計算機支撐技術和手段，有利于對大型灌區進行更好的實時管理。

[1] 楊紹輝，王一鳴，孫 凱. 土壤墑情(旱情)監測與預測預報系統的設計與開發[J].中國農業大學學報,2007,12(4):75-79.

[2] 王婧雅，高學睿，陸垂裕. 修正克里金插值法在大尺度農田土壤墑情插值中的應用[J].中國農業大學學報,2013,31(3):116-119.

[3] 尚松浩. 土壤水分模擬與墑情預報模型研究進展[J]. 沈陽農業大學學報, 2004, 5(5-6):455-458.

[4] 李彥彥，張金萍，林小敏. 陸渾灌區主要氣象因素與作物需水量的演變特征分析[J].水電能源科學，2015,33(10):28-32.

[5] 楊會明. 三義寨灌區土壤墑情動態預測及引黃用水需求研究[D]. 鄭州：鄭州大學, 2014.

[6] 程殿龍,馬宏志,許曉春.神經網絡方法在土壤墑情預測中的應用[J].中國農村水利水電, 2002,(7):6-8.

[7] 魏占民,陳亞新,史海濱, 等. BP 神經網絡的春小麥作物水模型的初步研究[J].灌溉排水,2002,21(2):12-16.