基于神经网络的水稻不同生育周期长势预测模型

周鹤 曹永忠

摘 要：水稻的生长发育是一个复杂的过程，其中土壤、气候等环境因子对水稻的最终产量影响巨大。虽然有研究提出了天气、土壤等环境因素对水稻产量影响的预测模型，但因缺乏对水稻各个生育周期的长势的定量描述，所以对水稻不同生育周期的长势预测还不够细致。文章在水稻各周期生长模型特性和高邮灌区的水稻种植历史数据的基础上，设计并训练出环境因素对水稻各生育生长趋势影响预测模型。实验结果证明了该方法的有效性及合理性，对预测水稻在不同周期长势情况有一定的参考价值。

关键词：水稻；生理周期；生长趋势；神经网络；预测模型

“民以食为天，食以稻为先。”全国65%以上人口以稻米为主食，水稻不仅是我国最主要的粮食作物，也是世界主要口粮之一。因此，对水稻的长势情况的研究具有极其重要的现实意义。水稻相对其他粮食作物来说，生长过程长，生育周期多，影响因素多。长期以来，对水稻的长势判断多依靠于经验，尤其对深入水稻生育周期里面的长势情况更是缺乏有效的定量描述标准。本文给出一种基于BP神经网络的长势预测模型，来预测环境因子对水稻不同生育周期长势的影响。

1 研究背景

根据大量的试验资料分析，诸多影响水稻生长长势的相关因素是相互联系、错综复杂的，不同周期长势纠缠关联，绝不是一两个数学公式能说清的，属于多因素、非线性的问题。近年来，随着人工智能的大热，国内外学者纷纷把人工智能的方法应用到作物生长及其相关领域中，对分析这种复杂的生长问题取得了较好效果。如郭庆春等[1]采用BP人工神经网络模型预测土壤含水量，得到结果与当地实际结果较为吻合。程曼等[2]融合了温室外部环境数据和当地天气情况，通过神经网络的方法，建立了温室未来环境状况的全局变量预测模型，解决了温室控制中的大滞后、大惯性问题。Aiping[3]结合BP，RBF，GRNN多种神经网络模型，利用IOWA提出了一种用于预测小麦产量的网络模型，得到满意效果。Zhang等[4]采用遗传算法对BP神经网络进行优化，用地面光谱信息预测产量，方便快捷，精度高。

本文以江苏高邮扬州大学农学院水稻灌溉区试验田为研究区域，以2006—2016年试验区土壤的水、肥、气等墒情数据[5]和光照、气温、湿度、降水量等天气数据[6]为数据集，结合水稻在不同周期末的测量的长势数据，研究环境因素对水稻长势的综合影响，通过神经网络建立水稻长势情况的预测模型。

2 BP神经网络

BP神经网络是一种有监督的误差逆传播的多层神经网络。由输入层、隐含层和输出层构成。当给定输入时，从输入层到输出层的传递是前向传播过程。初始权值一般为随机值，如果实际值和期待输出之间存在一定的误差，那么模型沿着误差反向传播不断修正，根据各层的误差大小来调节各层的权重，如此反复，不断迭代修正各层的权值直到最后的误差到容忍的范围。BP神经网络拓扑结构如图1所示。

图1 BP神经网络拓扑结构

本研究中BP神经网络表示为BP（n，q，m），输入向量Xn=（X1，…Xm）T，输出向量Ym=（Y1，…Ym）T，其中n为输出层单元个数，q为隐含层单元个数，m为输出层单元个数。

其中激活函数为（0，1）内连续取值的Sigmoid函数[7-8]：

f（u）= （1）

最终输出结果为：

（2）

式中：为隐含层第j個单元到输入层第k个单元的权重，Hip为输入层到隐含层上输出信息，为输出层第k个单元的激活阈值。

误差计算公式为：

（3）

式中：Yp表示第p个样本的期待输出值，tp表示第p个节点实际输出值。初始权值采用随机数生成，范围为[-0.5，0.5]。隐层的隐单元定为8～12，最好根据经验公式来确定[9-10]。

p=L+ （4）

式中：M，P，N分别为输入层、隐含层和输出层神经元的数目，L为1～10之间的一个整数。

权矩阵修正公式为：

（5）

式中：η表示学习效率，本研究取0.62；训练样本集选取2006—2015年灌区内水稻环境变量。

3 预测模型

数据预处理。因为采集的数据往往差异较大，很多不在一个数量级内，为了提高神经网络的泛化能力[11]，处理公式为：

（6）

式中：Xdi为处理后的数据。

利用Matlab进行模型搭建，输入层、隐含层采用tansig作为传递函数，输出层选用logsig作为传递函数。动量参数定为0.9，均方差误差为0.001。

水稻的生长是一个复杂过程，在农业上把水稻的生育周期划分为返青期、分蘖期、拔节孕穗期、抽穗扬花期、灌浆期、成熟期6个周期[12-13]。（1）返青期：植株新生分蘖的叶尖露出叶鞘（13 d）。（2）分蘖期：植株总分蘖数到大试验的设计穗数（26 d）。（3）拔节孕穗期：植株稻穗剑叶抽出（20 d）。（4）抽穗扬花期：植株稻穗的中部籽粒内部物呈乳浆状（9 d）。（5）灌浆期：植株中部籽粒内容呈蜡状（19 d）。（6）成熟期：植株谷粒变黄至成熟（20 d）。

因为水稻各个生理周期的形态特征变化极大，导致各期评价长势的标准不尽相同，所以环境因子对每个周期的影响因素难以一概而论。

为了方便评价生理期内的生长的好坏趋势，定义成长量为描述量G，G∈[0，1]。数值越大说明长势越好，数值越小说明长势越差。不同的生理周期的Gi的评价方法不尽相同，比如在分蘖期，以有效分蘖数、株高作为长势主要评价指标，按照经验公式中比重算出成长量，而在灌浆期中，以籽粒充实度、干物质量为主要评价指标。

为了能准确测算每个周期的生长量，本研究进一步细分，在水稻每个周期建立一个长势预测模型（见图2）。

在分期模型中，把歸一化后的周期数、光照、气温、水层高度、湿度、光照时长、土壤含水率、土壤pH、土壤含氧量 作为输入的因子，本阶段的生长量Gi为期待输出。网络结构为6-9-1三层结构。以此将2006—2016年的数据为样本输入，2017年的数据用作网络检测。

4 实验认证及分析

4.1 试验环境

试验在江苏高邮扬州大学农学院的灌溉试验田进行。供试水稻品种为南粳9108，高邮地区属于典型的亚热带温润季风气候，主要受季风环流影响。土质为粉砂质壤土。试验田肥力水平中等偏上有机质为20.20 g/kg，年平均气温18.8 ℃，年平均日照时间1 402.2 h，年平均降水量为1 002 mm，氮2.37 g/kg，速效磷9.5 mg/kg，速效钾64 mg/kg。土壤排水和灌溉条件良好。每年一般在6月25日左右播种，7月15日左右移栽，秧苗有20d秧龄，各处理种植密度为17.8万丛/hm2（28 cm×20 cm），多次重复，随机区组排列同时做多组不同高度的水层对比实验。

4.2 观测指标与方法

（1）试验用水量。通过水表精确记录每次灌水时间和水量。

（2）环境观测。记录各生育期内温度、湿度、光照强度、光照时长等气候因素和土壤水分、土壤含氧量、土壤pH、有机质含量等土壤因素。

（3）生长动态观测。分别在水稻的六大生理周期中取样，每隔3天处理选取若干丛代表水稻植株，采集对应数据，测量株高、倒一叶至倒三叶的叶长、叶宽、最高茎蘖数、有效分蘖数、各个阶段的干物质量等，根据阶段评判指标人工进行判别长势情况。

（4）考种测量。在收割前看一株上的穗数，每穗上实粒数、千粒重，计算出理论产量[14]。

4.3 结果分析

利用训练的模型系统对2017年的水稻生长情况进行预测，即根据当年在不同周期的环境因素参数变量预测时段末的生长量以及最好的生长好坏情况。预测时段与实测资料一致，以便对预测模型进行验证[15]（见表1），预测结果与训练结果如图3所示。

5 结语

本文在分析了土壤和天气等环境因素对作物生长的影响的基础上，利用生长量来更加定量化地描述水稻在不同周期的长势好坏趋势，分析天气和土壤等环境因素对水稻长势的影响，建立了基于BP神经网络的水稻生长长势预测模型。最后用网络模型对2017年试验区水稻生长长势进行预测，得到的预测值较为准确，表明将BP网络用在水稻长势情况预测上是可行的，在模型的完善上还需要进一步的研究工作。

[参考文献]

[1]郭庆春，王素娟，何振芳.基于BP人工神经网络的土壤含水量预测模型的研究[J].山东农业科学，2012（12）：11-15.

[2]程曼，袁洪波，蔡振江，等.基于全局变量预测模型的温室环境控制方法[J].农业工程学报，2013（s1）：177-183.

[3]AIPING W.Establishment of wheat yield prediction model in dry farming area based on neural network[J].Neuro Quantology，2018（6）：768-775.

[4]ZHANG Y，QIN Q.Winter wheat yield estimation with ground based spectral information[J].IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium，Valencia，2018（66）：6863-6866.

[5]邱才飞，邵彩虹，关贤交，等.节水灌溉对双季晚稻农田生态及水肥利用的影响[J].西北农业学报，2018（4）：509-517.

[6]张倩.基于天气预报信息解析的冬小麦灌溉预报研究[D].杨凌：西北农林科技大学，2015.

[7]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（5）：13-15.

[8]张清良，李先明.一种确定神经网络隐层节点数的新方法[J].吉首大学学报（自然科学版），2002（1）：89-91.

[9]DAYHOFF J E，DELEO J M.Artificial neural networks[J].Cancer，2001（8）：1615-1634.

[10]高大文，王鹏，蔡臻超.人工神经网络中隐含层节点与训练次数的优化[J].哈尔滨工业大学学报，2003（2）：85-87.

[11]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（4）：66-69.

[12]庄德续.不同栽培、灌溉模式对水稻需水规律和产量的影响研究[D].哈尔滨：东北农业大学，2015.

[13]朱士江，孙爱华，张忠学，等.不同节水灌溉模式对水稻分蘖、株高及产量的影响[J].节水灌溉，2013（12）：16-19.

[14]HOU，ZHAO Y X，ZHANG H F，et al.A novel method for predicting cadmium concentration in rice grain using genetic algorithm and back-propagation neural network based on soil properties[J].Environmental Science and Pollution Research International，2018（35）：35682-35692.

[15]YASEEN Z M，FU M，WANG C，et al.Application of the hybrid artificial neural network coupled with rolling mechanism and grey model algorithms for streamflow forecasting over multiple time horizons[J].Water Resources Management，2018（5）：1883-1899.