水稻需水量预测的ANFIS构建及应用

杨先野，王宝华，何司彦

（1.广州市水务规划勘测设计研究院，广州 510405；2.广东环境保护工程职业学院，广东 佛山 528216）

0 引 言

水稻需水量的研究是合理开发利用水资源、水利工程规划设计及现代化灌溉管理的技术基础，也是制定作物灌溉制度和探求节水、节能、增产的具体途径，因此研究水稻需水规律，建立需水量预测模型，对于指导该地区科学用水、发展节水灌溉、节约地下水资源，促进农业的可持续发展具有重要的理论与现实意义。

近年来，众多学者将人工智能方法逐渐应用在水稻需水量预测中，并取得了较好效果。付强等[1]人工神经网络模型；冯艳等[2]小波BP网络模型；李琳等[3]基于免疫蛙跳算法的小波神经网络模型等等；本文以 “中国东北大米之乡”的富锦水稻灌区为例，建立了自适应神经模糊推理系统（ANFIS）的水稻需水量预测模型，通过选择最合适的隶属度函数和模糊规则，从而实现了对水稻需水量的预测，并且与BP模型比较，结果表明该模型具有很高的预测精度。

1 ANFIS原理及结构

ANFIS是模糊逻辑和神经网络的结合物，是采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并能自动产生If-Then规则。典型的ANFIS见图1。

模糊推理的输出采用加权平均法，即：

式中x1和x2为模型的输入；y为模型的最终输出；wi为输入变量xi的权重。

图1 典型ANFIS系统结构Fig.1 Structure of typical ANFIS system

第一层：模糊化层，该层每个节点i是以节点函数表示的方形节点：

式中x1和x2为节点i的输入；Ai或B（i－2）是与该节点函数相关的语言变量；是模糊集A（A1，A2，B1，B2）的隶属函数。

第二层：规则推理层，该层的节点如图1中用Ⅱ表示，这里将输入信号相乘再输出：

第三层：归一化层，该层的节点如图1中用N表示，第i个节点的wi与全部规则w的比值为：

第四层：去模糊化层，该层每个节点i为自适应节点，其输出为：

第五层：输出层，计算所有输入信号的总输出为（采用加权平均法）：

式中fi是各层的集合算子。

2 ANFIS的应用实例

2.1 基本情况介绍

富锦市位于黑龙江省东北部三江平原腹地，水土资源丰富。近年来，该市大力发展水稻种植，使其被称为 “中国东北大米之乡”。本文根据富锦市15a（1985～1999）水稻需水量的观测资料，将井灌水稻按生育期划分为6个阶段，即插秧期、返青期、分蘖期、拔节孕穗期、抽穗开花期、灌浆成熟期。根据文献 [4]实测数据见表1。

2.2 ANFIS的建立步骤[5－6]

1）确定输入输出样本对。应用相关分析技术，求解出各阶段的日平均需水量与前1，2，6生育阶段需水量有关。为了计算方便现选取前6个生育阶段的需水量作为输入，本阶段的需水量作为输出。这样将1985～1999年的90个数据作为样本输入，将2000年数据作为网络检测，则生成样本对共计84对，同时为了运行结果更加准确首先对表1的数据进行归一化处理。

式中xmax与xmin分别代表水稻需水量的最大与最小值；y为归一化后的水稻需水量。

表1 富锦市井灌水稻各生育阶段需水量Table1 Water requirement in different period of rice in Fujin area mm／d

2）选择合适的隶属度函数的类型及其数目，通过对训练次数的调整，直到模型参数匹配为止。

2.3 基于MATLAB的ANFIS训练

应用MATLAB7.0编制相应的ANFIS网络训练程序，最后选择3条gbellmf隶属度函数，经过300次训练误差开始趋于稳定，表示模型参数匹配。ANFIS的训练误差曲线见图2，训练后的隶属度函数见图3。

图2 网络训练误差变化曲线Fig.2 Error change chart of net training

图3 最终的隶属度函数Fig.3 Final training membership function

2.4 预测结果分析

根据ANFIS的预测结果，将用作训练集的1986～1999年实测值与预测值拟合在图4上（d（t）表示实测值，y（t）表示预测值）。将用作测试集2000年ANFIS的预测结果与BP模型预测结果、相对误差进行了比较，见表2，2000年实测值与预测值拟合在图5上。

表2 2000年ANFIS和BP模型预测效果比较Table2 Comparison of predicted effect for ANFIS and BP

表3 BP，ANFIS模型网络结构比较Table3 Comparison of architecture for network of BP and ANFIS models

通过分析比较，明显看出ANFIS模型绝对误差、相对误差精度均高于BP模型，而且在训练时ANFIS的训练次数也比BP少，这样就节省了网络的训练时间，更好地对水稻需水量进行了预测，可对生产实践提供更为准确的理论依据。

3 结 论

ANFIS兼具了模糊推理系统和BP神经网络的优点，通过对已知数据的学习得到信息，赋予合适的隶属度函数类型和条数的数据建模方法，同时ANFIS采用了混合学习算法来训练网络，这样不仅缩短学习训练时间，还提高参数收敛速度，因此水稻需水量预测要比单一的BP网络预测智能性好，同时预测结果也对指导该地区科学用水、发展节水灌溉、节约地下水资源，促进农业的可持续发展具有重要的理论与现实意义。

[1]付 强，宋艳芬，肖建民，等.基于人工神经网络模型的井灌水稻需水量预测 [J].东北水利水电，2002，20（5）：38-42.

[2]冯 艳，付 强，李国良，等.水稻需水量预测的小波BP网络模型 [J].农业工程学报，2007，23（4）：66-69.

[3]李 琳，隋树涛.基于免疫蛙跳算法的小波神经网络的水稻需水量预测 [J].黑龙江水利科技，2012，3：34-36.

[4]付 强.农业水土资源系统分析与综合评价 [M].北京：中国水利水电出版社，2005：126-128.

[5]吴晓莉，林哲辉，李 军，等.MATLAB辅助模糊系统设计 [M].西安：西安电子科技大学出版社，2002.

[6]杨先野.模糊神经网络模型及其在水土资源中的应用[D].哈尔滨：东北农业大学，2008.