BP神经网络算法在河西绿洲玉米生产碳排放评估中的应用及算法有效性研究*

燕振刚, 李 薇, Yan Tianhai, 王 钧, 陈 蕾, 逯玉兰, 刘 欢, 唐 洁, 张 磊, 陈玉娟,常生华, 侯扶江



BP神经网络算法在河西绿洲玉米生产碳排放评估中的应用及算法有效性研究*

燕振刚1, 李 薇2, Yan Tianhai3, 王 钧1, 陈 蕾1, 逯玉兰1, 刘 欢1, 唐 洁1, 张 磊1, 陈玉娟1,常生华4, 侯扶江4

(1. 甘肃农业大学信息科学技术学院 兰州 730070; 2. 甘肃农业大学财经学院 兰州 730070; 3. 农业食品与生物科学研究所 希尔斯伯勒 BT26 6DR; 4. 兰州大学草地农业科技学院 兰州 730000)

针对作物生产碳排放预测较为困难的实际问题, 提出基于BP神经网络算法的玉米生产碳排放预测模型。选择地处河西走廊石羊河下游的民勤绿洲246家农户, 面对面调查玉米种植户农场内生产投入数据, 将玉米生产投入数据作为神经网络输入层; 查阅和梳理国内外相似区域玉米生产环节碳排放系数, 运用碳足迹生命周期法计算得到的碳排放值作为神经网络输出层; 基于BP人工神经网络算法, 运用试凑法确定网络隐含层节点个数, 建立河西绿洲玉米生产碳排放预测模型, 选择多元线性回归模型、多元非线性回归模型, 对该模型有效性进行评估。研究结果表明, 3层且各层节点数9、10、1的神经网络结构能够准确预测河西绿洲玉米生产碳排放, 其碳排放预测值为0.763 kg(CO2-eq)∙kg-1(DM); 9-10-1结构的神经网络预测模型的相关系数(2=0.984 7)高于多元线性和非线性回归模型, 该神经网络结构模型的均方根误差(RMSE=0.069 1)、平均绝对误差(MAE=0.051 3)均低于其他模型, BP神经网络算法预测性能明显优于其他预测模型。该研究为准确预测农业生产碳排放提供了新思路和可操作方法。

BP神经网络; 玉米生产; 碳排放; 算法有效性; 生命周期法; 预测模型

近年来, 人工神经网络在全球气候变化中的应用快速发展, 国内外农业领域专家和学者非常关注和重视智能算法在农业领域中应用[1]。人工神经网络广泛应用于能量需求、河流流水、天气预报、债务风险、农作物产量预测及环境评估等领域。Ermis等[2]运用人工神经网络分析了世界主要能源诸如碳、石油和天然气的总量。Clair等[3]运用人工神经网络模型研究气候变化对河水流量和环境的影响, 认为人工神经网络作为一个有效的非线性工具, 在研究水流输出的非线性变化是非常合适的。Viotti等[4]根据1~2 d的气象和交通数据, 利用人工神经网络算法预测城市的污染物浓度, 结果表明该方法比传统统计确定性模型的预测效果优越。Khoshnevisan等[5]运用人工神经网络算法预测伊朗马铃薯()生产过程中的能量输出。陈喜等[6]利用人工神经网络模型预测气候变化对博斯腾湖流域径流的影响, 模型的效率系数在0.85到0.97之间, 模型较为可靠。Melesse等[7]利用人工神经网络算法模拟麦田、草地和森林生态系统CO2通量, 采用气象参数和土壤通量训练人工网络模型。纪广月[8]通过收集1998—2008年中国碳排放及其影响因素资料, 基于人工神经网络模型对中国碳排放进行预测, 利用统计数据进行模型训练和检验, 训练样本预测平均误差0.025 2, 验证样本平均误差0.006 6。

碳排放增加引起的全球气候变暖成为人们普遍关注的焦点, 人们开始关注农业生产引起的碳排放[9]。位于祁连山北麓的河西绿洲, 现已成为甘肃省著名的商品粮基地, 每年生产的粮食占全省年粮食总产量的30%以上, 提供了全省70%的商品粮[10]。玉米()是绿洲的主要农作物, 准确、系统评估绿洲玉米生产引起的碳排放研究尚鲜见报道。

国内外研究表明, 智能算法在生态学研究中已得到广泛应用, 人工神经网络模型在预测河流流水、天气预报及复杂生态系统等方面的非线性变化能力突出, 人工神经网络算法在农业领域碳排放研究中可作为分类、建模和预测的科学工具。国内外学者运用人工神经网络进行预测做了大量研究工作, 主要针对水文和气象变化预测, 而对于作物生产碳排放预测研究不足, 存在预测指标单一、预测精度不高等问题, 导致研究者和管理者质疑预测结果的科学性。同时, 学术界农业生产碳排放的研究主要集中在排放源确定、排放系数计算、碳排放量估算以及影响因素等方面, 而针对生产投入导致作物碳排放预测研究薄弱。人工神经网络在农业生产上应用较多, 如作物产量、土壤养分、耕地质量、病虫害、气象因子预测等。有鉴于此, 本文在前人工作的基础上, 针对如何客观预测绿洲玉米生产碳排放这一重要命题, 基于BP人工神经网络算法, 联结农户调查和碳排放系数, 建立河西绿洲玉米生产碳排放预测模型, 并对预测模型有效性进行评估, 该研究可为准确预测农业生产碳排放提供新思路和可操作方法。

1 材料与方法

1.1 数据收集及处理

研究区位于甘肃省民勤县(103°05′E, 38°38′N), 选取河西绿洲246家玉米种植面积介于0.20~0.27 hm2的农户, 面对面调查农户劳动力数量、玉米种植面积、播种量、化肥投入、有机肥、地膜用量、机械燃油、灌溉用电和农药投入数据, 查阅和梳理国内外玉米生产各环节碳排放系数(表1)。按照“就近原则”, 先选择接近研究区的碳排放系数, 其次选择国外报道的系数值。农场内农户尺度玉米生产碳排放值计算[11]如公式(1)所示。

corn=(labor×labor+seed×seed+fer×fer+manure×manure+mulch×mulch+df×df+pes×pes+ie×ie)×corn/DM(1)

式中:corn表示玉米碳排放总量[kg(CO2-eq)∙kg-1(DM)],labor、seed、fer、manuremulch、df、pes、ie、corn和DM分别表示劳动力投入数量(人×hm-2)、种子用量(kg×hm-2)、化肥投入量(kg×hm-2)、农家肥投入量(kg×hm-2)、地膜用量(kg×hm-2)、机械柴油用量(L×hm-2)、农药用量(kg×hm-2)、灌溉用电(kW×h×hm-2)、玉米种植总面积(hm2)和玉米总干物质产量(kg),labor、seed、fer、manure、mulch、df、pes、ie分别表示表1中罗列的劳动力、种子生产、化肥生产与使用、农家肥使用、地膜生产、机械柴油、农药生产和灌溉用电的碳排放系数。

表1 玉米生产过程各环节的碳排放系数

为了统一度量玉米生产碳排放, 国际气候变化委员会(Intergovernmental Panel on Climate Change, IPCC)规定以CO2为度量温室效应的基本单位, 即1 t CO2-eq=25 t CH4=298 t N2O。

1.2 BP神经网络算法

Topuz[20]认为人工神经网络基于计算模型, 该模型通过模拟人脑神经元网络进行信息处理。常见的人工神经网络由输入层、隐藏层和输出层3部分组成, 每层均由称为节点的元素组成。在人工神经网络应用研究中, 作为前向网络核心部分的BP(Back-propagation, BP)神经网络算法的应用范围较为普遍[21]。

BP神经网络是监督式学习算法, 其学习过程由信号的正向传播与误差的反向传播两个过程组成, 输入样本从输入层不经过任何计算进行输入, 输入层节点的个数通常取输入向量的维数。隐含层通过激活函数, 通过反复试凑的方法确定隐含层节点个数。输出节点的个数通常取输出向量的维数, 若输出层的实际输出与期望的输出不等, 则转到误差的反向传播阶段。信号正向传播与误差反向传播的各层权值调整过程, 是周而复始进行的。权值不断调整的过程, 也就是网络的学习训练过程。此过程一直进行到网路输出的误差减少到可接受的程度, 或进行到预先设定的学习时间, 或进行到预先设定的学习次数为止。根据Kolmogorov定理, 具有1个隐层的3层BP神经网络能在闭集上以任意精度逼近任意非线性连续函数[5]。本研究选择单隐层BP神经网络, 如图1所示。

图1 基于BP神经网络的玉米生产碳排放预测模型

式中: 激活函数()为单极性函数, 如公式(4):

()=1/(1+e) (4)

()具有连续可导的特点, 根据应用需要,()可为双极性函数, 如公式(5):

()= (1-e)/(1+e) (5)

BP神经网络算法性能评价通过网络训练数据和实际数据的差值大小来衡量[4], 如公式(6):

式中:为训练集向量数据索引,为输出向量数据索引,t为期望输出向量,z为输出层输出向量。基于上述原理, 选择相关系数(coefficient of correlation,2)、均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error, MAE)进行模型的验证。

式中:为数据集样本量,t为第个样本实测值,z为第个样本的BP神经网络预测值。

1.3 多重共线性诊断

为证明多元回归模型可靠性, 该研究运用贝尔斯利等[22]提出的条件数与病态指数诊断方法, 定义为公式(10):

式中:为自变量的相关系数矩阵;max()、min()分别为矩阵的最大和最小特征值;(R)表示多重共线性程度。该诊断方法规定: 若(R)<100, 则认为共线程度很小; 若100≤(R)<1 000, 则认为存在中等程度或较强的共线程度; 若(R)>1 000, 则认为存在严重的多重共线性。

基于多重共线性诊断方法, 本研究选择Matlab2014Ra, 利用其相关系数函数corrcoef( )、特征值函数eig( )计算得出研究区玉米生产各投入自变量之间线性程度(R)= –2.747 9e+18 <100, 即共线程度很小。

多元线性回归和多元非线性回归模型的编程实现同样在Matlab2014Ra环境中, 选择多元线性回归函数Regress( )和多元非线性回归函数nlinfit( )进行验证实验, 多元线性回归Regress( )函数建立的模型如公式(11):

考虑到多元非线性模型的多态性, 本研究利用多元非线性回归函数nlinfit( )建立两种模型进行算法有效性验证, 其模型如公式(12)和(13):

1.4 实验环境与数据处理

本研究选择Matlab2014Ra作为BP神经网络算法的实验环境, 并对246家农户数据进行随机划分[23], 其中训练集占60%, 验证集占25%, 测试集占15%, 训练集、验证集和测试集的数据量依次为148、62和36。输入层数据包括劳动力数量、玉米种植面积、种子生产碳排放、化肥碳排放、有机肥碳排放、地膜生产碳排放、机械燃油碳排放、农药碳排放和灌溉用电碳排放, 农户玉米生产碳排放总量作为输出层, 运用归一化函数premnmx( )将输入数据或输出数据进行归一化处理。选择BP网络创建函数feedforwardnet( )建立BP网络结构, 隐含层隐层神经元数设为1到15, 输出层为1个神经元。选择隐含层和输出层神经元传递函数tansig( )函数和purelin( )函数。采用Levenberg-Marquardt算法, 为寻找最优预测结构, 对隐含层节点进行逐点测试。

2 结果与分析

2.1 民勤绿洲玉米生产碳排放评估试验结果

民勤绿洲农场内农户尺度基于碳足迹生命周期的玉米生产碳排放值为0.758kg(CO2-eq)∙kg-1(DM), 而其基于BP神经网络的预测值为0.763kg(CO2-eq)∙kg-1(DM), 9-10-1结构为最优BP网络预测结构(图1), 即9节点输入层, 10节点隐含层和1节点输出层。在训练期和验证期, 隐含节点为10的RMSE、MAE和MSE均比其他任何节点都小, 分别为0.063 8(训练期RMSE)、0.043 6(训练期MAE)、1.49E-04(训练期MSE)、0.067 1(验证期RMSE)、0.050 7(验证期MAE)和2.51E-04(验证期MSE), 其相关系数均比其他任何节点大, 分别为0.985 8(训练期2)和0.984 2(验证期2), 统计值如表2所示。

表2 单隐含层不同节点数中BP神经网络预测模型的训练集与验证集玉米生产碳排放的均方根误差(RMSE)、平均绝对误差(MAE)、R2和均方误差(MSE)

1)最优BP结构。1) The best topology.

2.2 算法有效性验证

为了验证BP神经网络算法对碳排放评估的有效性, 本研究选择多元线性回归模型[公式(11)]和多元非线性回归模型[公式(12)、(13)], 选择测试集数据预测玉米生产碳排放值, 并与9-10-1结构的BP神经网络算法预测的碳排放值进行比较, 以相关系数2、均方根误差RMSE和平均绝对误差MAE作为评价标准, 从而证明BP神经网络算法的有效性。相关系数2越接近于1说明预测程度越好, 均方根误差RMSE和平均绝对误差MAE越小说明预测的效果越好。

结果表明, 测试集BP神经网络中RMSE(0.069 1)、MAE(0.051 3)均比多元线性回归和多元非线性回归模型小, 并且BP神经网络中2(0.984 7)比其他模型的2值高(表3)。说明BP神经网络算法能够有效预测河西绿洲玉米生产碳排放。

表3 测试集BP神经网络、非线性回归和线性回归模型预测玉米生产碳排放的根误差(RMSE)、平均绝对误差(MAE)和R2统计值

1) 最优模型。1) The best model.

3 讨论

BP神经网络广泛应用于农业生态学领域的预测研究, 为了建立更好的网络结构模型, 隐含层个数需要不断训练才能确定[23]。本研究隐含层个数10多于Khoshnevisan等[5]运用人工神经网络算法预测伊朗马铃薯生产过程中的能量输出模型中的隐含层个数8, 但与Çakmak等[24]运用相同算法预测葡萄()干燥速率的隐含层个数一致。相似的是, 本研究的预测相关系数0.984 7低于Çakmak报道的0.999 1, 但高于Khoshnevisan等[5]报道的0.98和Melesse等[7]运用人工神经网络算法预测森林生态系统CO2通量的相关系数0.94, 也高于陈喜等[6]利用人工神经网络模型预测气候变化对博斯腾湖流域径流的影响相关系数0.97。作物碳足迹边界、测算内容、生产投入、产量等因素是影响作物碳排放值的关键因素, 同时, 作物碳足迹受区域气候条件、农作措施、土壤、产量及社会经济等多因素的影响, 以及相同种植模式在不同区域都会存在差异[11]。本研究玉米碳排放预测值高于梁修如[25]运用生命周期法测算的国内出口玉米碳排放值[0.54 kg(CO2-eq)×kg-1(grain)], 其碳足迹测算内容未考虑种子生产、劳动力投入、农家肥投入、施肥引起的土壤碳排放量和籽实含水量; 也高于史磊刚等[11]和曾宪芳等[19]分别运用碳足迹法测算的河北吴桥县和宁夏平罗县的玉米碳排放值[0.29 kg(CO2-eq)×kg-1(products)], 其均未考虑劳动力投入、地膜生产、农家肥投入的碳排放和土壤施氮肥引起的农田N2O排放。但本研究玉米碳排放预测值接近Ma等[26]实测的北美地区玉米生产碳排放值[0.756 kg(CO2-eq)×kg-1(grain)]。

本研究提出的基于BP神经网络的玉米生产碳排放预测模型优于其他线性和非线性模型, 但研究仍存在不确定。首先, 由于研究区农业生产投入的碳排放系数主要引用文献和IPCC报告数据, 碳排放系数值具有不确定性。其次, 246家农户的玉米种植面积介于0.20~0.27 hm2, 调查数据略有差异。上述不确定因素主要源于国内及研究区作物生产碳排放实测数据不足。

4 结论

本研究通过面对面调查246家玉米种植户生产投入数据, 查阅和梳理相似区域公开发表的玉米生产环节碳排放系数, 主要运用BP神经网络算法对河西绿洲玉米生产碳排放进行评估, 对比研究训练集和验证集BP神经网络隐含层不同节点对应的RMSE、MAE和2值, 并对BP神经网络算法性能进行评价。研究表明, 9-10-1结构的BP神经网络结构能够很好地预测河西绿洲玉米生产碳排放。在评估河西绿洲玉米生产碳排放方面, BP神经网络算法要优于其他线性及非线性模型, 该算法能够有效预测河西绿洲玉米生产碳排放, 该研究将为准确预测农业生产碳排放提供思路和参考方法。

[1] LIU Z L, PENG C H, XIANG W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview[J]. Chinese Science Bulletin, 2010, 55(34): 3853–3863

[2] ERMIS K, MIDILLI A, DINCER I, et al. Artificial neural network analysis of world green energy use[J]. Energy Policy, 2007, 35(3): 1731–1743

[3] CLAIR T A, EHRMAN J M. Variations in discharge and dissolved organic carbon and nitrogen export from terrestrial basins with changes in climate: A neural network approach[J]. Limnology and Oceanography, 1996, 41(5): 921–927

[4] VIOTTI P, LIUTI G, GENOVA P D. Atmospheric urban pollution: Applications of an artificial neural network (ANN) to the city of Perugia[J]. Ecological Modelling, 2002, 148(1): 27–46

[5] KHOSHNEVISAN B, RAFIEE S, OMID M, et al. Application of artificial neural networks for prediction of output energy and GHG emissions in potato production in Iran[J]. Agricultural Systems, 2014, 123: 120–127

[6] 陈喜, 吴敬禄, 王玲. 人工神经网络模型预测气候变化对博斯腾湖流域径流影响[J]. 湖泊科学, 2005, 17(3): 207–212CHEN X, WU J L, WANG L. Prediction of climate change impacts on streamflow of lake Bosten using artificial neural network model[J]. Journal of Lake Sciences, 2005, 17(3): 207–212

[7] MELESSE A M, HANLEY R S. Artificial neural network application for multi-ecosystem carbon flux simulation[J]. Ecological Modelling, 2005, 189(3/4): 305–314

[8] 纪广月. 基于灰色关联分析的BP神经网络模型在中国碳排放预测中的应用[J]. 数学的实践与认识, 2014, 44(14): 243–249 JI G Y. Application of BP neural network model in the prediction of China’s carbon emissions based on grey correlation analysis[J]. Mathematics in Practice and Theory, 2014, 44(14): 243–249

[9] 李明峰, 董云社, 耿元波, 等. 农业生产的温室气体排放研究进展[J]. 山东农业大学学报: 自然科学版, 2003, 34(2): 311–314 LI M F, DONG Y S, GENG Y B, et al. Progress of study on emissions of greenhouse gases of agriculture[J]. Journal of Shandong Agricultural University: Natural Science, 2003, 34(2): 311–314

[10] 陈昌毓. 河西走廊粮仓的生态环境代价[J]. 大自然, 2013, (6): 21–22 CHEN C Y. The cost of ecological environment for granary in Hexi Oasis[J]. China Nature, 2013, (6): 21–22

[11] 史磊刚, 陈阜, 孔凡磊, 等. 华北平原冬小麦-夏玉米种植模式碳足迹研究[J]. 中国人口∙资源与环境, 2011, 21(9): 93–98 SHI L G, CHEN F, KONG F L, et al. The carbon footprint of winter wheat-summer maize cropping pattern on North China Plain[J]. China Population Resources and Environment, 2011, 21(9): 93–98

[12] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

[13] 逯非, 王效科, 韩冰, 等. 中国农田施用化学氮肥的固碳潜力及其有效性评价[J]. 应用生态学报, 2008, 19(10): 2239–2250 LU F, WANG X K, HAN B, et al. Assessment on the availability of nitrogen fertilization in improving carbon sequestration potential of China’s cropland soil[J]. Chinese Journal of Applied Ecology, 2008, 19(10): 2239–2250

[14] CHENG K, PAN G X, SMITH P, et al. Carbon footprint of China’s crop production — An estimation using agro-statistics data over 1993–2007[J]. Agriculture, Ecosystems and Environment, 2011, 142(3/4): 231–237

[15] DUBEY A, LAL R. Carbon footprint and sustainability of agricultural production systems in Punjab, India, and Ohio, USA[J]. Journal of Crop Improvement, 2009, 23(4): 332–350

[16] ADOM F, MAES A, WORKMAN C, et al. Regional carbon footprint analysis of dairy feeds for milk production in the USA[J]. The International Journal of Life Cycle Assessment, 2012, 17(5): 520–534

[17] Intergovernmental Panel on Climate Change (IPCC). 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Hayama, Japan: Institute for Global Environmental Strategies, 2006

[18] 柯水发, 李彪, 杨育红, 等. 林场运营碳足迹及林木资源碳储量测算——以内蒙古赤峰市旺业甸林场为例[J]. 林业经济, 2013, (9): 93-101 KE S F, LI B, YANG Y H, et al. The evaluation of carbon footprint from the operation of forest farm and carbon storage by forest resources — Based on the Wangyedian Forest Farm in Chifeng of Inner Mongolia[J]. Forestry Economics, 2013, (9): 93–101

[19] 曾宪芳, 赵世伟, 李晓晓, 等. 宁夏回族自治区平罗县主要农作物碳足迹研究[J]. 水土保持通报, 2012, 32(5): 61–65 ZENG X F, ZHAO S W, LI X X, et al. Main crops carbon footprint in Pingluo County of the Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2012, 32(5): 61–65

[20] TOPUZ A. Predicting moisture content of agricultural products using artificial neural networks[J]. Advances in Engineering Software, 2010, 41(3): 464–470

[21] 樊振宇. BP神经网络模型与学习算法[J]. 软件导刊, 2011, 10(7): 66–68 FAN Z Y. The model and algorithm of BP neural network[J]. Software Guide, 2011, 10(7): 66–68

[22] 赵松山, 白雪梅. 关于多重共线性检验方法的研究[J]. 中国煤炭经济学院学报, 2001, 15(4): 296–300 ZHAO S S, BAI X M. Research on the test for multi-co linearity[J]. Journal of China Coal Economic College, 2001, 15(4): 296–300

[23] 沈花玉, 王兆霞, 高成耀, 等. BP神经网络隐含层单元数的确定[J]. 天津理工大学学报, 2008, 24(5): 13–15SHEN H Y, WANG Z X, GAO C Y, et al. Determining the number of BP neural network hidden layer units[J]. Journal of Tianjin University of Technology, 2008, 24(5): 13–15

[24] ÇAKMAK G, YILDIZ C. The prediction of seedy grape drying rate using a neural network method[J]. Computers and Electronics in Agriculture, 2011, 75(1): 132–138

[25] 梁修如. 我国出口谷物产品的碳足迹分析[D]. 合肥: 中国科学技术大学, 2015: 22–23LIANG X R. Carbon footprint of Chinese export grains[D]. Hefei: University of Sciences and Technology of China, 2015: 22–23

[26] MA B L, LIANG B C, BISWAS D K, et al. The carbon footprint of maize production as affected by nitrogen fertilizer and maize-legume rotations[J]. Nutrient Cycling in Agroecosystems, 2012, 94(1): 15–31

Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis*

YAN Zhengang1, LI Wei2, YAN Tianhai3, WANG Jun1, CHEN Lei1, LU Yulan1, LIU Huan1, TANG Jie1, ZHANG Lei1, CHEN Yujuan1, CHANG Shenghua4, HOU Fujiang4

(1. College of Information & Science Technology, Gansu Agricultural University, Lanzhou 730070, China; 2. College of Finance & Economics, Gansu Agricultural University, Lanzhou 730070, China; 3. Agri-Food and Biosciences Institute, Hillsborough, Co. Down BT26 6DR, United Kingdom; 4. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730000, China)

Back-propagation (BP) neural network has been widely used in global climate change researches in recent years. There is also increasing research interests in the application of BP neural network on predicting carbon emission from agricultural lands. Hexi Oasis in the northern side of Qilian Mountain accounts for over 30% of total grain and over 70% of commercial grain production in Gansu Province, of which corn is the primary food crop. However, there has been little research in carbon emissions from corn fields in Hexi Oasis. Therefore, the objectives of this study were to predict carbon emissions from corn production in Hexi Oasis using BP neural network algorithm and to validate the performance of BP neural network algorithm against multiple linear regression and non-linear regression models. This study was done in Minqin Oasis (103°05′E, 38°38′N) located at the downstream of Shiyanghe River in Hexi Corridor. Data were collected on 246 local farms in a face-to-face questionnaire-driven survey. The data of production inputs were used as the inputs for the model in farm and the value of carbon emissions calculated using life-cycle assessment based on carbon emission factors published in the literatures about the similar regions and default figures reported by Inter-governmental Panel on Climate Change (IPCC). In order to predict carbon emissions based on BP neural network, the numbers of node in the hidden layer were calculated by trial and error. The results indicated that neural network structure with three layers predicted carbon emissions in corn productions in Hexi Oasis and the number of nodes for the input layer, hidden layer and output layer were 9, 10 and 1, respectively. The evaluated carbon emission was 0.763 kg(CO2-eq)∙kg-1(DM) in the study area. To verify the validity of the BP neural network model, multiple linear regression and non-linear regression models were developed using the same dataset.The results indicated that the correlation coefficient (2= 0.984 7) of BP neural network model with the 9-10-1 structure was higher than that for the corresponding multiple linear regression and non-linear regression models. Also the root mean square error (RMSE = 0.069 1) and mean absolute error (MAE = 0.051 3) of BP model were lower than those of the corresponding multiple linear regression and non-linear regression models. Therefore, the performance of BP neural network model was better than that of the regression models. The BP neural network model developed in this study using data collected from the local farms in Hexi Oaiss combined the local practices and regional carbon emission factors, consequently providing a practical tool applicable in the prediction of carbon emissions in corn fields. Moreover, the validity of BP neural network model was also verified through comparison with multiple linear regression and non-linear regression models, which improved the reliability of its practical application. Therefore, the results of this study contributed new ideas and development methods to accurately predict carbon emissions in agricultural fields for the government and scientific community.

BP neural network; Corn production; Carbon emission; Algorithm validity; Life cycle assessment; Prediction model

, YAN Zhengang, E-mail: yanzhg@gsau.edu.cn

Jan. 17, 2018;

Apr. 24, 2018

TP399

A

1671-3990(2018)08-1100-07

10.13930/j.cnki.cjea.180084

2018-01-17

2018-04-24

* This research was funded by the National Natural Science Foundation of China (31660347).

* 国家自然科学基金项目(31660347)资助

燕振刚, 主要研究方向为信息技术在农业中的应用。E-mail: yanzhg@gsau.edu.cn

燕振刚, 李薇, Yan Tianhai, 王钧, 陈蕾, 逯玉兰, 刘欢, 唐洁, 张磊, 陈玉娟, 常生华, 侯扶江. BP神经网络算法在河西绿洲玉米生产碳排放评估中的应用及算法有效性研究[J]. 中国生态农业学报, 2018, 26(8): 1100-1106

YAN Z G, LI W, YAN T H, WANG J, CHEN L, LU Y L, LIU H, TANG J, ZHANG L, CHEN Y J, CHANG S H, HOU F J. Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1100-1106