基于BP网络的黑龙江省粮食播种面积动态仿真研究

陈 婧

(齐齐哈尔市水文局，黑龙江 齐齐哈尔 161005)

0 引言

耕地是人类赖以生存和发展的重要物质基础，也是不难以再生的有限的和十分宝贵的资源[1]，粮食播种面积是耕地面积的重要组成部分，其变化及发展趋势对区域的农业可持续发展、粮食安全与生态环境具有重要影响[2]，因此，研究分析区域粮食播种面积动态变化具有重要意义。

近年来，随着“东北老工业基地”的振兴，“八大经济区”和“十大工程”的提出和实施，黑龙江省的经济迅猛发展，使黑龙江省发展环境空前优越。然而工业化程度不断提高的同时，致使每年大量的耕地流失，粮食播种面积受到严重威胁，特别是对黑龙江省“千亿斤粮食产能工程”的顺利实施具有重要影响。为了避免这种情况出现，必须对未来粮食播种面积进行初步的预测。因此，本文尝试采用BP网络模型，以黑龙江省1980—2008连续29 a的粮食播种面积数据为例，对黑龙江省粮食播种面积未来发展趋势进行预测，以期为黑龙江省粮食发展规模的确定和农业长期规划的编制提供一定的数据参考。

1 人工神经网络模型

人工神经网络是最近几十年新兴的交义性学科，也是国际上研究异常活跃的领域之一。神经网络模型有BP模型、Kohonen模型、Hamming模型、Hopfield模型等，都是基于连接学说构造的智能仿生模型，它是将算法和构造相结合，采用大量神经元组成的非线性动力系统，具有非区域性、非线性、非定长性和非凸性等特点。其中BP模型是应用较广泛的一种人工神经网络，具有自学习反馈能力，采用多个节点的输入层、隐层和多个或1个输出的输出层组成，每个节点为1个单独的神经元[3]。

1.1 BP网络的结构

BP神经网络通常采用基于BP神经元的多层前向神经网络的结构形式。从结构上看，一个典型的BP网络通常有输入层节点、一个或多个隐含层节点、一个输出层节点构成。当有信息向网络输入时，信息先由输入层传至隐层节点，经特性函数作用后，再传至下一隐含层，直到最终传至输出层进行输出为止，其间每经过一层都要由相应的特性函数进行变换。隐含层一般采用双曲正切函数(tansig)作为传递函数，输出层一般采用线性函数(purelin)作为传递函数，信息流动为正向传播过程[3]。

1.2 BP网络的学习过程

学习的目的是不断地对网络的连接权值进行调整，使其对任一输入信号都能得到期望的输出。学习的方法是用一组训练样本对网络进行训练，每一个样本都包括输入及期望的输出两部分。训练时，首先把样本信号输入到网络中，由网络第一个隐含层开始逐层地进行计算，并向下一层传递，直至输出层，其间每一层神经元只影响到下一层神经元的状态。然后，以其输出与样本的期望输出进行比较，如果误差不能满足要求，则沿着原来的连接通路逐层返回，并利用两者的误差按照相应的原则对各层节点的连接权值进行调整，使误差逐步减小，直到满足精度要求时为止[4]。

2 BP网络在黑龙江省粮食播种面积预测中的应用

现以黑龙江省1980—2008年的逐年粮食播种面积为例(资料来源于2009年《黑龙江省统计年鉴》)，采用 MATLAB7.1中的神经网络工具箱函数，建立粮食播种面积预测的BP网络模型。其中:1980—2003年的粮食播种面积序列数据作为模型的输入，2004—2008年的粮食播种面积序列数据作为预留检验，对黑龙江省粮食播种面积变化规律进行模拟和预测，为确定黑龙江省粮食发展规模提供参考依据。根据实测数据绘制黑龙江省粮食播种面积变化曲线，见图1。

图1 黑龙江省粮食播种面积变化曲线(1980—2008)

从图1中可以看出:黑龙江省粮食播种面积变化随机性较强，不存在明显的周期，是一典型的随机信号，因此，黑龙江省1980—2008年粮食播种面积可以采用上述方法建立BP网络模型进行分析。

2.1 输入输出样本对的确定

采用BP网络对粮食播种面积进行模拟和预测时，必须首先确定网络的输入、输出样本对，即:网络的输入层和输出层节点数，可采用前i个时间点值来预测第i+1个时间点值的方法[5]。通过相关性分析，达到显著水平(a=0.05)的当年粮食播种面积与前3 a的粮食播种面积数据有关(见图2)。因此，本文选择前3 a的粮食播种面积资料作为网络的输入，当年粮食播种面积资料作为网络(1个数据)的输出，将黑龙江省24 a的粮食播种面积实测资料(24个数据)生成21个样本对。

图2 黑龙江省粮食播种面积随机序列自相关图

2.2 BP网络结构的确定

如前所述，本文粮食播种面积预测的BP网络输入层节点数为3个，输出层节点数为1个。

BP神经网络的结构设计主要是解决隐含层数和每个隐含层节点数。理论分析证明:具有单隐含层的BP神经网络可以映射所有连续函数，因此选定隐含层数为1层。一般认为，隐含层节点数可以在以下范围内进行调试:

式中:nh、nj为网络输入层和输出层的节点数;ni为网络隐含层的节点数。

针对本文实际情况，nh=3，nj=1，则可计算得:3≤ni≤7。经过网络试算，当隐含层节点数ni=5时，网络性能最佳，因此，本节设计的BP神经网络的拓扑结构为3∶5∶1。

2.3 BP网络的训练与仿真

采用MATLAB7.1中的神经网络工具箱函数newff生成网络，train函数和sim函数对所建立的粮食播种面积BP网络进行训练和仿真[6]，可得到BP网络训练误差变化曲线，见图3。从图3中可以看出，在经过157次训练之后，网络性能达标。BP网络模型拟合结果见图4。

图3 网络训练误差变化曲线

图4 黑龙江省粮食播种面积BP网络模型拟合曲线

2.4 BP网络模型精度检验

采用所建立的BP网络模型的拟合数据进行拟合效果检验，并采用未参加建模的2004—2008年的粮食播种面积序列数据进行试报效果检验，试报效果拟合曲线见图5，具体效果检验结果见表1。

图5 黑龙江省2004—2008年粮食播种面积BP网络模拟预测曲线

表1 BP神经网络模型精度检验结果

从表1中可以看出:拟合效果评价指标后验差比值C=0，小误差频率P=1，相对均方误差指标E1=0，拟合准确率E2=1，试报效果指标E3=80%，拟合阶段各项指标均达到了一级标准，预测阶段指标为二级标准[7]。从图4和图5中也可以看出黑龙江省粮食播种面积BP网络模型拟合效果和预测效果较好。因此，所建立的粮食播种面积BP网路预测模型可靠性和预测精度较高，可用于预测未来黑龙江省粮食播种面积。

3 结论

采用BP人工神经网络和自相关分析相结合的方法，以黑龙江省1980—2008年粮食播种面积实测序列资料为例，构建了黑龙江省粮食播种面积BP网络预测模型，精度检验结果表明，模型的有效性和可靠性较高，具有一定的实用性。该模型概念清晰，结构简单，较为充分地揭示了黑龙江省粮食播种面积的变化规律，对黑龙江省粮食发展规模的确定和农业长期规划的编制具有重要的意义。

[1] 孟敏，李丁.甘肃省天水市耕地面积时序变化分析[J].安徽农业科学，2009，37(34):16948-16950，16999.

[2] 张建军，袁春，付梅臣，等.北京市耕地面积变化趋势预测及保护对策研究[J]. 资源开发与市场，2006，22(6):497-499.

[3] 付强.数据处理方法及其农业应用[M].北京:科学出版社，2005.

[4] 刘仁涛，付强，冯艳，等.基于RAGA的灰色BP神经网络预测模型及其对三江平原地下水埋深的动态预测[J]系统工程理论与实践，2008(5):171-176.

[5] 彭胜民.区域水土资源优化及粮食增产潜力研究—以齐齐哈尔为例[D].大庆:黑龙江八一农垦大学，2010.

[6] 张德丰.MATLAB神经网络仿真与应用[M].北京:电子工业出版社，2011.

[7] 陈南祥.地下水动态预报模型的精度评价[J].工程勘察，1999(3):35-38.