基于Elman神經網絡的旱情預測模型研究

摘要：文章以2018年9月1日至2021年8月31日天津市薊州區、靜海區、寧河區、濱海新區的10個氣象自動監測站的3年數據為基礎，研究建立基于Elman神經網絡的旱情預測模型，并對模型應用進行測試評價。文章數據選取空氣溫度、空氣濕度、風速、風向等18項影響因子訓練Elman神經網絡模型，對旱情進行短期（24 h）、中期（7 d）、長期（14 d）預測。結果顯示，基于Elman神經網絡的旱情預測模型短、中、長期3個時期的平均旱情預測準確度分別達到97.82%、91.71%、88.94%，與2023年建立的墑情預測模型結果（短期、中期、長期預測準確度分別為96.64%、90.60%、85.59%）[1]進行對比，短、中、長期3個時期旱情預測模型的平均預測準確度均高于同期墑情預測模型的準確度，其中旱情預測模型Ⅲ（14 d）對20 cm土層深度的旱情預測準確度比同期同層次墑情預測模型的準確度提高9.3%。研究發現，天津地區的氣候特點與我國北方大部分地區相似，降雨主要集中于一年內的某些月份，從而使得旱情預測模型的預測準確度高于墑情預測模型的預測準確度，故本研究的旱情預測模型可以推廣至我國北方大部分地區及中西部地區，以期為當地旱情、墑情預測預報研究提供參考。

關鍵詞：旱情；Elman神經網絡；短期預測；中長期預測

中圖分類號：S152.7+1

文獻標識碼：A

旱情是指某個時期、某個地區的干旱情況。旱情嚴重會影響農作物生長，如春旱會使小麥春生分蘗減少，單位面積小麥總穗數減少，從而影響小麥產量；夏旱會造成農作物夏播無法進行或播后出苗困難，或使春、夏播作物出現凋萎、死亡[2]。因此適宜的土壤濕度是農作物健康生長、增產增收的必要條件。通過分析旱情數據，可預測農作物受旱情況，從而科學指導農業灌溉，提高水資源利用率，進而提高農作物產量，保障國家糧食安全。

有關旱情預測，我國學者研究較多，研究方法也多種多樣。如20世紀80年代，張惠敏[3]、唐玉遠和范立仁[4]應用灰度理論，分別對河南省洛陽地區、山東省壽光地區20世紀末的干旱趨勢進行預測；張玉峰[5]應用遙感技術對吉林省玉米種植區的干旱情況進行預測；馮平等[6]應用人工神經網絡技術對干旱程度進行評估；宋文輝[7]用多種機器學習算法進行了氣象干旱預測研究。

本研究應用Elman神經網絡模型，對微觀旱情進行短期（24 h）、中期（7 d）、長期（14 d）預測，通過對未來土壤體積含水量的預測來研判農田未來旱情趨勢，旨在將神經網絡模型應用于農業生產，為農作物科學灌溉提供依據。

1 數據來源與數據處理

1.1 數據來源

本研究區域為天津市境內。天津市的主要氣候特征為四季分明，春季多風，干旱少雨；夏季炎熱，雨水集中；秋季氣爽，冷暖適中；冬季寒冷，干燥少雪。2000年以來天津地區的年平均氣溫為13.5 ℃，最高氣溫為42.7 ℃，出現在2017年7月11日的天津市靜海區（簡稱靜海區），最低氣溫為-22.6 ℃，出現在2021年1月6日的天津市薊州區（簡稱薊州區）。天津市年平均降水量一般在370～750 mm之間，降水大部分集中在6—9月，但2021年降水量為979.1 mm，創下自1961年有氣象資料記錄以來的最高值。

本研究數據來源于薊州區、靜海區、寧河區、濱海新區的10個氣象墑情自動監測站（表1）。每個氣象墑情自動監測站點均可同時監測氣象數據和土壤數據，其中氣象數據包括空氣溫度、空氣濕度、風速、風向、光照、降雨量、蒸發量、大氣壓力、露點溫度、作物蒸騰蒸發量；土壤數據包括土壤體積含水量、土壤相對含水量、土壤溫度、土壤鹽分，均為20、40、60、80 cm共4個土層深度的數據。調查時間為2018年9月1日至2021年8月31日。

2 模型建立

2.1 Elman神經網絡模型

Elman神經網絡是典型的反饋型神經網絡，是一種具有局部記憶單元和局部反饋連接的遞歸神經網絡。Elman神經網絡以BP網絡為基礎結構，在隱含層增加一個承接層作為延時算子，以達到記憶目的，從而使模型系統具有適應時變特性的能力，增強了網絡的全局穩定性[8]。Elman神經網絡的拓撲結構見圖1[7]。

1.2 數據處理

為確保監測數據有意義且具有可操作性，將獲得的原始調查數據在應用前進行完整性檢查，剔除無效數據和異常數據。經數據處理，氣象數據剔除蒸發量、大氣壓力、作物蒸騰蒸發量3個數據項，保留空氣溫度、空氣濕度、風速、風向、光照、降雨量、露點溫度7個氣象數據項；土壤數據剔除土壤相對含水量的4個數據項，保留土壤體積含水量、土壤溫度、土壤鹽分等12個數據項。剔除無效數據、異常數據的原因均為監測數據不完整，各站點監測項設置有差別等，同時剔除由于設備測試、傳感器探頭失靈等產生的異常數據。

本研究輸入數據為氣象墑情自動監測站的監測數據，輸出數據為24 h、7 d、14 d的旱情情況，用土壤體積含水量表示，即20、40、60、80 cm共4個土層深度的土壤體積含水量。原始數據處理過程為：第一步，增加站點編號數據項。因原始數據和預測結果均為分站點的數據和預測結果，即根據某一站點的數據去預測這一站點未來的旱情。第二步，刪除有降雨量數據的數據條目。即刪除降雨量大于0的數據條目，再刪除降雨量數據項。第三步，匹配輸出數據。建立的模型將預測未來某一天某一時點的旱情，故每一組原始數據均需要匹配未來某一時點的土壤數據。例如，原始數據為2020年8月4日10：30的氣象、土壤原始數據，要預測24 h后的旱情就需要匹配2020年8月5日10：30的土壤數據，而要預測7 d后的旱情就需要匹配2020年8月11日10：30的土壤數據。第四步，提取測試數據，模擬真實預測場景。從原始數據中隨機提取5 000組數據作為測試數據，剩余100 000組數據用于模型訓練，輸入輸出數據項（表2）。第五步，數據歸一化，將100 000組模型訓練數據進行歸一化處理，即通過最小—最大標準化（Min-Max Normalization）將所有數據映射在[-1，1]之間。

2.2 傳遞函數

Elman神經網絡模型的傳遞函數采用帶動量的梯度下降法，該方法是在反向傳播的基礎上，在每一個權值的變化上附加一項正比于前次權值變化量的值，并根據反向傳播法來產生新的權值變化。該方法使網絡模型在修正其權值時，不僅考慮了網絡模型誤差在梯度上的作用，還考慮了誤差區面變化趨勢的影響，從而降低了網絡模型對于誤差曲面局部細節的敏感性，有效地抑制網絡模型陷入局部極小[9]。

3 模型應用評價

本研究模型訓練采用MATLAB神經網絡工具箱，該工具箱默認將100 000組數據按7∶1.5∶1.5的比例，分為訓練集、驗證集和測試集進行模型訓練。各模型的隱藏層節點數量和步長均通過試算確定，每個節點或步長的試算均經過15次迭代，每次迭代均按照比例重新分配訓練集、驗證集和測試集數據，最終使網絡的訓練誤差逐步收斂，最后應用5 000組測試數據模擬真實預測場景。

3.1旱情預測模型Ⅰ（24 h）

通過對旱情預測模型Ⅰ的隱藏層節點和步長的試算，最終確定當隱藏層節點為42個、步長為0.2時，20、40、60、80 cm共4個土層深度的平均土壤體積含水量相對誤差最小，為0.021 9（表3）。

旱情預測模型Ⅰ（24 h）的網絡訓練性能見圖2。經過50 000次的迭代訓練，該模型的均方誤差大小為0.004 367 8，已經達到最佳的訓練性能。

旱情預測模型Ⅰ（24 h）的訓練完成后，用5 000組數據進行測試，測試結果的誤差曲線見圖3。從旱情預測模型Ⅰ（24 h）的誤差曲線可以看出，該模型測試數據誤差整體較平穩，波動不大，只有80 cm土層深度有個別數據誤差較大，最大達到171.37%。

3.2旱情預測模型Ⅱ（7 d）

通過對旱情預測模型Ⅱ（7 d）的隱藏層節點和步長的試算，最終確定當隱藏層節點為38個、步長為0.3時，20、40、60、80 cm共 4個土層深度的平均土壤體積含水量相對誤差最小，為0.082 9（表4）。

旱情預測模型Ⅱ（7 d）的網絡訓練性能見圖4。經過50 000次的迭代訓練，該模型的均方誤差大小為0.015 808，已經達到最佳的訓練性能。

旱情預測模型Ⅱ（7 d）的訓練完成后，用5 000組數據進行測試，測試結果的誤差曲線見圖5。從旱情預測模型（7 d）Ⅱ的誤差曲線可以看出，該曲線整體誤差水平比較平穩，波動不大，如20 cm土層深度的旱情誤差絕大部分均低于5%。整體上只有個別數據產生異常誤差，如20 cm土層深度的旱情出現了2個誤差超過200%的數據組，80 cm土層深度的旱情出現了3個誤差超過200%的數據組。

3.3 旱情預測模型Ⅲ（14 d）

通過對旱情預測模型Ⅲ（14 d）的隱藏層節點和步長的試算，最終確定當隱藏層節點為41個、步長為0.4時，20、40、60、80 cm共 4個土層深度的平均旱情相對誤差最小，為0.110 6（表5）。

旱情預測模型Ⅲ（14 d）的網絡訓練性能見圖6。經過50 000次迭代訓練，該模型的均方誤差大小為0.019 752，已經達到最佳訓練性能。

旱情預測模型Ⅲ（14 d）的訓練完成后，用5 000組數據進行測試，測試結果的誤差曲線見圖7。旱情預測模型Ⅲ（14 d）預測結果的相對誤差總體比旱情預測模型Ⅰ（24 h）和旱情預測模型Ⅱ（7 d）的波動大；20、40、60、80 cm共4個土層深度的旱情預測值相對誤差波動依次減弱，其中20 cm土層深度的旱情預測值相對誤差有26%超過20%，而80 cm土層深度的旱情預測值相對誤差只有8%超過20%。

4 "研究結論

本研究應用Elman神經網絡模型對旱情進行短期（24 h）、中期（7 d）、長期（14 d）預測，

通過對5 000組測試數據的預測，得出各時期各

層次土壤旱情的預測結果準確度（表6）。總體來看，利用Elman神經網絡訓練的旱情預測模型準確度較高，短、中、長期的平均預測準確度分別達到97.82%、91.71%、88.94%。從各時期各層次土壤旱情預測結果的準確度來看，20、40、60、80 cm共4個土層深度的旱情預測準確度差別較大，20、40 cm土層深度的預測準確度明顯低于60、80 cm土層深度。

將本研究的旱情預測結論（表6）與2023年訓練的墑情預測模型結論（表7）[1]進行對比（表7為2023年各時期各層次土壤墑情預測結果準確度）。這兩次的研究方法和基礎數據相同，唯一的區別是本次研究數據刪除了與降雨有關的所有數據條目和數據項。從模型預測的平均準確度來看，短期（24 h）、中期（7 d）、長期（14 d）3個時期旱情預測模型的平均準確度均高于墑情預測模型的準確度，其中24 h旱情預測模型的預測準確度比24 h墑情預測模型的預測準確度高1.18個百分點，7 d旱情預測模型的預測準確度比7 d墑情預測模型的預測準確度高1.11個百分點，14 d旱情預測模型的預測準確度比14 d墑情預測模型的預測準確度高3.35個百分點，而且短、中、長期3個時期旱情預測模型的預測準確度均高于80%。即便是預測準確度最低、波動最大的14 d旱情預測模型預測的20 cm土層深度的準確度也比14 d墑情預測模型預測的準確度高7.09個百分點，提高9.3%。

本研究驗證了之前的預想，即天津地區氣候四季分明，但大部分雨水集中在夏季7月和8月份的少數日期，其他月份均干旱少雨，這就使降雨成了統計學中的小概率事件，從而影響了土壤墑情預測的準確度，而刪除降雨數據條目進行旱情預測則減少了小概率事件的影響，從而大幅度提高了農田旱情預測的準確度。本研究短期（24 h）、中期（7 d）、長期（14 d）3個模型的測試數據均出現了個別誤差異常，即超大誤差，但出現次數不多。這可能是由于刪除降雨數據條目時只刪除了有降雨的數據條目，沒有刪除受降雨影響、但無降雨記錄的數據條目，今后可對數據進行深度清洗，以達到完全避免受降雨影響的效果。

5 討論與展望

在實際生產中，農作物生長是一個長期動態的生長過程，中長期的旱情預測對農作物的生產管理十分重要，可以根據中長期的旱情預測提前作出灌溉預判。天津地區大部分降雨集中在夏季7—8月，其他月份均干旱少雨，這也是我國北方大部分地區的氣候特點，因此本研究的旱情模型方法可以推廣至我國北方大部分及中西部地區，為當地的旱情、墑情預測預報研究提供參考。

參考文獻

[1]楊靖峰，王銳竹，于澎湃，等．基于Elman神經網絡的土壤墑情預測模型研究[J]．天津農林科技，2024（3）：10-15.

[2]陸均天．少雨高溫夏旱發展[J]．氣象，1988（9）：62-63.

[3]張惠敏．洛陽地區1985年至2000年干旱趨勢的灰色預測[J]．農業系統科學與綜合研究，1986（1）：36-41.

[4]唐玉遠，范立仁．1987—2000年干旱趨勢的灰色預測[J]．山東氣象，1988（4）：22-25.

[5]張玉峰．基于遙感與水文模型的吉林省玉米種植區干旱預測方法研究[D]．長春：吉林大學，2023.

[6]馮平，鐘翔，張波．基于人工神經網絡的干旱程度評估方法[J]．系統工程理論與實踐，2000（3）：141-144.

[7]宋文輝．基于智能算法的氣象干旱預測研究[D]．鄭州：華北水利水電大學，2022.

[8]謝慶國，沈軼，萬淑蕓．Elman人工神經網絡的收斂性分析[J]．計算機工程與應用，2002（6）：65-66，81.

[9]周少軍．基于ANN的銅爐渣磨礦參數對銅精礦指標影響預測研究[D]．武漢：武漢理工大學，2008.