基于BP神经网络的烟田土壤水分预测

尹健康，陈昌华，邢小军，谭 俊，姚 进

(1. 四川大学制造科学与工程学院 成都 610065; 2. 四川凉山烟草公司 四川 西昌 615000)

基于BP神经网络的烟田土壤水分预测

尹健康1,2，陈昌华1，邢小军2，谭 俊1，姚 进1

(1. 四川大学制造科学与工程学院 成都 610065; 2. 四川凉山烟草公司 四川 西昌 615000)

提出了分区域、分阶段建立烟叶田间土壤水分预测简化模型的思想，并利用BP神经网络建立了烟田土壤水分预测模型，确定区域阶段土壤水分初值、蒸发量、月均气温、日照、降雨量为输入层和阶段土壤水分为输出层，实现了从输入端到输出端的非线性映射。研究表明，该预测模型具有较好的预测效果，有广泛的适应性和广阔的应用前景。

BP神经网络; 预测模型; 土壤水分; 烟叶

烟草是我国重要的经济作物，烟叶种植是烟草生产重要的环节之一。烟田土壤水分的变化对烟叶的生长、产量和烟叶香气质量，以及肥料利用率、烟株根系生长、土传性病虫害等都有很大影响[1]。因此，土壤水分预测研究对烟区烟草种植的规划，尤其是确定施肥种类、数量，以及烟草土传性病害预测预报具有重要意义。

近年来，国内外学者对土壤水分预测研究取得了一定的成果。研究方法主要分为两类：(1)以气象和作物要素与土壤水分相关关系为基础的统计预报方法(经验法)，如文献[2]介绍的利用降雨、蒸发、气温、气压等参数，通过建立数学模型对土壤水分变化进行估算；文献[3]系统地给出的多种农业气象指标对水分胁迫的响应状况，建立的包含辐射强度、温度及土壤水分因子的小麦叶片光合作用模式；美国康奈尔大学应用土壤信息系统，建立的计算机模型NSM(newhall simulation model)[4]。(2)从土壤水分平衡方程和土壤水动力学原理出发分析未来土壤的水分状况(理论法)，如文献[5-6]利用土壤水分指数消退关系建立的相对简单和便于应用的经验递推模型，对田间墒情的预报效果较好；文献[7]利用土壤水动力学模型，对麦田土壤水分进行研究，取得了较好的预测效果；文献[8]提出的较完整的关于SPAC(soil-plant-atmosphere-continue)概念，用数学模型描述SPAC系统中的水流运动过程。

烟田土壤水分预测是一个较为典型的高度非线性过程，数理统计模型很难精确预测烟田土壤水分，理论建模需要全面考虑影响因素，建模难度较大，很难得到理想的预测结果。

本文利用人工神经网络中的BP网络模型，建立形式相对简单、参数易于获取、操作简单而又能满足实际需要的土壤水分预测方法，对烟叶生产过程管理和烟区的整体规划有一定的指导作用。

1 烟田土壤水分预测简化建模

1.1 烟草生长阶段

烟草的生长一般分为还苗期、伸根期、旺长期和成熟期4个阶段，凉山州烟区烟草的各个生长阶段的时间如表1所示。

表1 凉山州烟草生长阶段

烟草在不同的生长阶段对水分的反应和需求量是不一样的：(1)伸根期以前烟草对水分的需要量较小，阶段耗水量占全生育期耗水总量的16～20%，该期轻度土壤干旱可以确保烟柱根系的发育；(2)旺长期烟草对水分的需要量最大，反应最敏感，阶段耗水量占全生育期耗水总量的44～46%，该期干旱对烟叶产量的影响最大；(3)成熟期烟草对水分的需求量趋于减少，阶段耗水量占全生育期耗水总量的35～37%，但该期对烟草品质的影响较为显著[9]。

1.2 烟草种植区域特征

不同烟草种植区域，气候特征(年日照数、年均气温、年降水量等)的差别较大，土壤水分的变化规律也有所不同；即使是同一区域，也存在地形特征的差异(如有平坝、坡地、山地3种地形)，各种地形的土壤水分差异非常大。但在同一区域、同一地形条件下，土壤水分受外界因素影响的变化规律基本相同。

1.3 烟田土壤水分预测简化建模思想

由于存在生长阶段和区域性的差异，如果笼统地对烟田土壤水分进行建模分析，难度大且无法实现准确预测。这是因为烟草生长阶段、区域和地形等因素对烟田土壤水分的影响无法量化。因此，在同一地区、同一地形、同一烟草生产阶段条件下，土壤水分变化只与气候变化有关，在该条件下，烟田土壤水分预测模型将能简化，并能提高预测的准确性。

2 基于BP神经网络的烟田土壤水分预测模型

2.1 BP神经网络

BP(back propagation)神经网络具有较强的自学习能力和处理非线性问题能力，在数据分析中具有模型无关的特性[10-11]。BP神经网络的学习由以下4个过程组成：(1)学习样本对的输入加在神经网络的输入端，神经元的激活值由输入层经隐含层，在输出层各神经元获得响应的“模式顺传播”过程；(2)按减小希望输出与实际输出的误差方向，从输出层向隐含层再向输入层逐层修正各连接权值的“误差逆传播”过程；(3)由“模式顺传播”过程与“误差逆传播”过程的交替进行的网络学习训练过程；(4)网络全局误差趋向极小的学习收敛过程。

利用BP神经网络，只需要分析目标地区的主要土壤水分影响因子，并依据主要影响因子进行分组或数值量化表示，选取具有普遍代表性的一系列样本对神经网络模型进行训练，得出神经网络模型参数，就可以进行土壤水分分析[12]。在烟田土壤水分预测方面，由于烟田土壤水分是一个较为典型的高度非线性过程，很难用标准的数学模型对烟田土壤水分进行预测，利用BP神经网络不需要建立精确的数学模型，就能实现从输入端到输出端的非线性映射，建立BP神经网络模型进行烟田土壤水分预测。

2.2 模型输入层和输出层变量的确定

土壤水分经验计算公式为[12]：

式中 Q2表示各生长阶段单位面积的土壤水分；Δt为生长阶段时间；Q1、P、I、S、Et、L分别为相应时段内的水分初值、降水量、灌水量、径流量、蒸散发强度、渗漏量。

BP网络本质上是一种静态网络，而烟田土壤水分变化是一个动态过程。BP网络用于土壤水分预报时，根据预测阶段初的土壤水分Q1(实测值或上一步预测值)、阶段内影响土壤水分变化的主要因素预测阶段末的土壤水分Q2，并通过对各个连续阶段的预测来模拟土壤水分的动态变化。按照分区域、分阶段建模的思想和数据易获得的原则，在同一区域、同一阶段的条件下，假定灌水量、径流量、渗漏量为常量，并结合烟草生产实践经验，认为平均气温和日照时间对土壤水分有较大的影响。通过以上分析，在土壤水分预报的BP网络模型中采用预测阶段初土壤水分(Q1)，阶段蒸发量(E)，平均气温(T)，降雨量(P)，日照时间(St)等5个变量作为网络输入；阶段末土壤水分Q2即预测值作为网络输出。通过对网络输入的研究，选取的输入变量Q1、E、T、P和St相互影响，具有较强的相关性。

2.3 BP网络模型的建立

模型采用3层BP神经网络，该网络由一个输入层、一个隐含层和一个输出层组成，每层含有若干个节点(也称单元)，建立的烟田土壤水分预测的BP网络模型如图1所示。网络输入变量数n=5，输出变量数m=1。在神经网络中，关于隐含层节点数量的选择还没有确切的方法和理论，一般可设定不同的q值根据训练结果进行选择。本文首先根据BP网络隐层节点设计的经验公式式(2)[13]给定隐层节点数q的范围为：

图1 烟田水分BP预测模型

式中 n为输入层单元数；m为输出层单元数； 为[1,10]之间的常数。

然后在该范围内通过试错法选取最佳的隐含层单元数进行网络训练[14]，选取信号最小的神经元数目建立模型。

式中 u为自变量的偏移量。隐含层的输出信息传到输出层，可得到最终输出结果为：

以上过程为网络学习的信息正向传播过程，另一个过程为误差反向传播过程。如果网络输出与期望输出间存在误差，则将误差反向传播，利用式(6)调节网络权重和阈值：

式中 Yp为第p个训练样本对应的网络输出；tp为第p个训练样本对应的期望输出。反复运用以上两个过程，直至网络输出与期望输出间的误差满足一定的要求。

3 应用举例

本文以凉山会理山地地区烟草生长的旺长期为例，对烟田土壤水分预测模型进行验证。收集会理山地地区1971～2008年旺长期(6月份)的38组历史数据作为样本数据，如表2所示。

表2 样本数据

3.1 训练与结果

图2 训练误差随学习次数的变化曲线

在表2中，1971～2003年的前33组数据作为训练样本，用于训练神经网络模型；2004～2008年的后5组作为测试样本，用于测试获得的神经网络烟田土壤水分预测模型。

利用Matlab6.5进行神经网络模型训练时，取学习速率lr0.05，动量常数a=0.9，最大训练步数epochs 2 000，控制误差goal=0.01。训练之前对输入输出数据进行归一化处理，便于网络快速收敛。由式(2)得出隐层节点数的范围为2～12，经过试错法训练比较选取隐层的节点数q为8，因此最终采用的网络结构为BP(5,8,1)。训练误差随学习次数的变化曲线如图2所示。当训练步数为163步时，误差基本趋向稳定，网络收敛性好，达到最好训练效果。

3.2 网络模型仿真预测

神经网络模型训练好后，用2004～2008年的5组测试数据对模型进行测试，预测结果如表3所示。神经网络对土壤水分预测值与实测值的误差在9%左右，说明网络训练成功，具有较好的泛化能力。

表3 网络预测结果

4 结 束 语

(1)研究了烟草生长阶段和种植区域特征与烟田土壤水分的关系，提出了分区域、分阶段建立烟田土壤水分预测简化模型的思想；

(2)由于烟田土壤水分预测是一个较为典型的高度非线性过程，提出了利用BP神经网络建立烟田土壤水分预测模型的方法，确定目标区域阶段土壤水分初值、蒸发量、月均气温、日照、降雨量为输入层，阶段土壤水分为输出层，实现了从输入端到输出端的非线性映射。

(3)应用结果表明，预测模型具有较好的预测效果，对烟区种植的规划尤其是确定施肥种类、数量以及烟草土传性病害预测预报起到了一定的指导作用。同时，该方法也可广泛应用于其他农作物种植区域土壤水分的预测。

[1]马履一. 国内外土壤水分研究现状与进展[J]. 世界林业研究,.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]于东升, 史学正. 我国土壤水分状况的估算[J]. 自然资源学报, 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]刘建栋, 王馥棠, 于 强, 等. 华北地区冬小麦叶片光合作用模型在农业干旱预测中的应用研究[J]. 应用气象学报, 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, 雷志栋, 杨诗秀. 冬小麦田间墒情预报的经验模型[J].农业工程学报, 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, 毛晓敏, 雷志栋, 等. 冬小麦田间墒情预报的BP神经网络模型[J]. 水利学报, 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. 利用土壤水动力学模型预测麦田土壤水分的研究[J]. 节水灌溉, 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, 陈焕伟, 李保国, 等. 基于BP神经网络的土壤水力学参数预测[J]. 土壤通报, 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]龙 博. 烟草灌溉技术[J]. 农村实用技术, 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]刘全明, 陈亚新, 魏占明, 等. 基于人工智能计算技术的区域性土壤水盐环境动态监测[J]. 农业工程学报,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, 李勉励. 基于BP神经网络的淤地坝次降雨泥沙淤积预测[J]. 西北农林科技大学学报(自然科学版), 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. 人工神经元网络及其应用[M]. 北京: 清华大学出版社, 1999.

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

编 辑 蒋 晓

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

国家烟草专卖局科技基金(110200801006)

尹健康(1969- )，男，博士生，高级工程师，主要从事智能控制、生产过程管理与决策、烟草科研方面的研究.

·计算机工程与应用·