基于BP 神经网络的郑州农业灌溉用水预测

张艺聪

（华北水利水电大学信息工程学院，河南 郑州450000）

我国各个地区因为天气、地势结构等条件的不同，农业灌溉用水量有很大差别，但是统一存在着灌溉用水量大、灌溉效率低下的问题，然而各个地区的水资源是有限的，所以必须合理安排利用水资源。对农业灌溉用水量的准确预测，有利于合理配置有限的灌溉用水量，也可以提高农田灌溉用水的利用效率。

国内在吸收借鉴西方理论基础上结合中国的实际情况开始了对农业灌溉用水预测方法的大量研究工作，并取得一定的研究成果[1-17]。对于农业灌溉用水的预测，根据灌溉用水预测目的、对象的不同，一般可分为基于作物需水机理的预测方法、基于数理统计规律的预测方法以及基于启发式算法的预测方法[1]。现阶段也有将这几类方法结合起来对农业灌溉用水进行预测的，这种做法大大提高了对于农业灌溉用水量预测的准确率。

在这么多研究方法中，BP 神经网络模型非常适合于求解内部机制复杂的问题，而且原理比较简单、便于操作。二十世纪以来，被许多学者用于水资源的预测中，并取得一定的研究成果[14-18]。研究成果证明了BP 神经网络在对水资源的预测中具有较好的效果，所以可以将BP 神经网络模型应用郑州地区的农业灌溉用水量预测，郑州市是都市型现代农业，农业生产经营主要以家庭经营为主，而且随着城镇化的不断扩张，郑州对土地的占用越来越多，同时工业污染对水资源和土地资源造成了严重的影响，使得这些区域用于农业灌溉的水资源相对短缺，所以对农业灌溉用水量的精准预测对于郑州区域水资源配置至关重要。因此，本文以河南省郑州市为例，采用BP 神经网络模型对郑州市2002－2018 年农业灌溉用水量进行预测，并将预测结果和郑州市水资源公报实际记录的农业灌溉用水量进行对比分析，从而证明BP 神经网络模型在郑州市农业灌溉用水预测上的有效性和预测精度，对郑州地区以及北方地区农业灌溉用水预测提供一定的参考价值。

1 模型构建

1.1 BP 模型原理

BP（Back Propagation）神经网络是1986 年由Rumelhart 和McCelland 为首的科研小组提出[20]。BP 神经网络是现阶段应用比较广泛的神经网络模型之一，其训练模式是以误差逆传播的方式，其映射关系是输入- 输出模式，利用最速下降法的学习规则，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP 神经网络的结构如图1。

BP 神经网络通过学习过程得到其模型的结构和权值。学习过程分为多层前馈和反向误差修正两个阶段。前者是指从输入层开始依次计算各层各节点的实际输入、输出；后者是根据输出层神经元的输出误差，沿路反向修正各连接权值，使误差减少[19]。多层前馈数学模型为

图1 BP 神经网络结构图

在正向前馈过程中，依次按上式计算出各层的输入、输出，直到输出层神经元的输出误差不能满足精度要求，则进入误差的反向传播阶段。

误差的反向传播阶段采用梯度递降算法，即调整各层神经元之间的连接权值，使总的误差向减少的方向变化。其数学表达式为

则权值调整公式为

1.2 预测模型构建

本文的研究主题是对郑州市农业灌溉用水的预测，结合其实际情况，对相关期刊论文中农业灌溉用水的影响因素进行统计，选取出现频率比较高的指标，构建出预测模型。影响农业灌溉用水量的主要因素可以分为两类，一类是从宏观角度考虑的，即降水量、蒸发量、平均气温、灌溉面积等，适用于大范围地区的灌溉用水预测；另一类是从微观角度考虑的，即土壤湿度、空气温度、空气湿度、光照度、风速和风向等，需要有非常具体的数据，适用于范围比较小、可以实地采集每日相关数据的地区。前者预测模型的精度可能要低于后者，但是前者的适用性更广。考虑数据收集的难易程度和数据统计的连贯性和真实性，本文从宏观角度进行考虑，选取郑州市的降水量、蒸发量、平均气温以及农田灌溉面积四个因素作为预测模型的主要指标，对郑州市农业灌溉用水量进行预测。对变量影响的因素的个数就是BP 神经网络模型输入的神经单元的个数，因此预测模型的输入为四维的向量。郑州市的灌溉用水量是模型的目标向量，所以模型的输出变量为一维的向量。

1.3 评价模型构建

在对相关期刊论文中的评价指标使用频率和效用进行统计后，本文选择均方根误差（RMSE）、相对误差、平均绝对百分误差（MAPE）、模型有效度作为研究结果的评价指标，这些评价指标使用频度较高，借此来衡量观测值同真值之间的偏差，反映预测值误差的实际情况，其计算公式如下：

2 模型应用分析

本文以郑州市为基本研究对象，郑州市位于东经112°42'-114°13'、北纬34°16'-34°58'，地处华北平原南部、黄河中下游、河南省中部偏北，郑州市属于暖温带季风性气候。郑州市年平均气温14℃左右，年均降雨量640.9 mm，全年日照时间约2400 h，年平均水资源总量为7.4 亿m3。其中年农业灌溉用水量占据总水量比重较大，所以对于农业灌溉用水量的精准预测对于水资源的配置有一定的参考价值，本文选择了BP 神经网络模型对郑州是农业灌溉用水量进行一个预测。

将郑州市2002-2018 年各指标数据作为原始数据，数据来源于郑州市水利局《水资源公报》、郑州市统计年鉴 以及河南省统计年鉴。首先先把2002-2018 年郑州市相关数据分为训练集和验证集，其中2002-2015 年数据作为训练集，2016-2018 年数据作为验证集，输入到BP 神经网络模型中，调整相关阈值，建立起针对郑州市农业灌溉用水量的预测模型，对郑州市农业灌溉用水量进行预测，并利用选取出的评价指标对BP 神经网络模型的预测效果进行检验。模型预测结果和相关评价指标见表1 和表2。

表1 模型预测结果

表2 模型评价指标

从表1 中可以看出，BP 神经网络模型的相对误差的平均值为4.31%，满足区域灌溉用水预测的精度规范要求，规范要求预测的灌溉水量和实测记录灌溉水量之间的相对误差应在10%以内[21]。因此可以证明BP 神经网络模型的预测准确性较好，可以应用于农田灌溉用水预测；从表2 中可以看出，预测模型的RMSE、MAPE 均满足灌溉用水预测的精度规范要求。在模型有效度上，预测模型的结果接近于1，验证了预测模型具有较好的预测准确性。综上，BP 神经网络模型适用于郑州市的农业灌溉用水预测，预测精度较好，预测结果具有一定的可靠性。

3 结论

3.1 本文采用BP 神经网络模型预测了郑州市2002－2018年农业灌溉用水量，并和郑州市水资源公报记录的实际农业灌溉水量进行对比分析，研究结论为BP 神经网络模型在郑州市的农业灌溉用水预测具有较好的精度，可以用于对郑州市的农业灌溉用水预测。

3.2 本文在数据方面有一定的缺陷，因为数据获取难度问题，只选择了四个指标作为模型的输入，而且只选择了2002-2018 年的数据，数据较少，会在一定程度上影响模型的预测精度。