基于改进Elman神经网络的水稻长势预测系统

周鹤 曹永忠

摘   要：长期以来，人们对水稻长势情况的判断多出自于经验，为了更好地定量描述各生育期水稻长势，给出了水稻生长量定义，结合环境因素对长势的影响，运用改进的Elman神经网络来发现其变化规律。经过和几种标准神经网络模型对比，改进后的预测算法效果更佳，误差更小，更加贴合真实数据。在此基础上搭建水稻长势预测系统，为水稻的科学管理和精确估产提供帮助。

关键词：水稻长势;Elman神经网络;遗传算法;预测系统

我国作为世界主要稻米生产国，其水稻安全生产应得到充分关注。文章在前人研究环境因子对水稻长势的影响的基础上，着重研究了不同周期内长势的预测，并且根据周期内长势和最后产量的关系，为水稻的长势预测提供新的思路。

文章组织如下：第1节为相关工作，第2节介绍了水稻不同生育期评价，第3节主要介绍改进的Elman神经网络，第4节是预测系统的实现，最后一节进行了总结与展望。

1    相关工作

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预测及其相关领域中，对这种复杂的生长问题取得了较好效果。徐俊增等[1]根据射阳县气象预报资料，把通过Penman-Monteith公式计算出的ETo作为预期输出，并将天气状况和风力风速进行标量化，选取天气预报中温度、天气阴晴指数、风力等级等可测因子，建立了参考作物BP-ETo神经网络预测模型。尚松浩等[2]考虑多个因素对土壤贮水量的影响和土壤贮水量动态变化过程，使用北京东南郊冬小麦土壤水分和气象观测资料为数据源，建立了基于BP神经网络的冬小麦田间墒情预报模型。

本文以江苏省扬州大学农学院水稻灌溉区试验田为研究区域，以试验区土壤等墒情数据和天气数据为环境数据集，结合水稻在不同周期末测量出的长势数据，研究环境因素对水稻长势的综合影响。并提出了一种基于改进Elman神经网络的水稻生长预测模型，着重对传统模型算法收敛速度慢且易陷于局部极值而无法全局搜索的缺陷进行了改进，使得Elman神经网络性能达到最佳，提高了预测模型的精准度。

2    水稻不同生育期评价

水稻在时间片区内长得好不好要由农业上的参数指标来进行评价，我们把这描述量定义为生长量R。

水稻生育周期大致划分的时间如表1所示。

3    改进的Elman神经网络

3.1  标准Elman神经网络

Elman神经网络由Jeffrey L·Elman[3-4]于1990年提出，它在传统BP神经网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆的目的，这样的结构使得Elman神经网络对历史数据具有敏感性，有利于动态过程的建模。

3.2  改进Elman神经网络的流程

改进Elman神经网络流程的实现主要包括以下几个步骤。

（1）编码方式。水稻生长预测模型的权值多为小数，为了便于进行复杂空间的遗传算法的搜索与构建，本文采用实数编码。

（2）适应度函数的确定。个体的优劣性用适应度函数来衡量，适应度函数值越大，表示个体越优秀，才有机会遗传到下一代种群中。优化的核心是使网络的输出与实际测量值的方差与适应度函数相结合。使用公式（1）作为误差函数，即：

计算出的误差值越小，网络训练效果越好，则适应度值越大。借用Elman神经网络的误差函数定义适应度函数为：

式（2）中，yd为网络实际输出值，y为期待输出，避免分母为0，ξ为较小的一个常数。

（3）遗传操作的确定，选择、交叉或变异。

（4）按照适应度函数公式（2）计算出个体适应度。

（5）按照（3）的遗传操作策略对种群进行操作，得到子代。

（6）判断种群是否满足性能指标或达到最大迭代次数，若是则结束，若不是就返回步骤（3）来继续优化，直到满足条件。

4    水稻长势预测系统

以2018年的环境数据和水稻生长数据为例，数据经过异常处理和归一化处理后输入模型，建立起模型。

在改进Elman神经网络構建水稻生长长势预测模型的基础上搭建出原型系统。预测系统架构上大致可以分为4个部分。

（1）数据采集端：主要负责对温湿度、光照、水位、土壤酸碱、含氮量等环境参数的采集与监控。

（2）数据交互端：包括传感器终端和汇聚网关的交互，汇聚网关与Socket中间件交互、Socket中间件和后台Web服务交互。

（3）后台预测服务端：主要负责处理采集来的环境监测数据，并根据需求调用预测模型来预测出对应天数的生长量值。

（4）显示终端：主要负责展示设备状态、环境指标历史走势与水稻长势的预测结果。

点击生长预测功能标签，即可进入水稻生长预测的界面，如图1所示，选定预测的时间和所处的生育阶段，系统将自动把本季此时之前的环境数据和上一个阶段的生长量输入改进Elman神经网络模型计算，紫色线则为对应水稻预测的效果图。

5    结语

水稻的生长是一个相对复杂的动态过程，受到光照、温度、水分等多种环境因子的影响。为了达到精准预测各生育期水稻长势的目的，在前人研究的基础上，提出了一种基于改进Elman神经网络的水稻生长模型，并将该方法应用到水稻生长预测方面，构建了整套水稻生长预测原型系统。

所构建的原型系统虽然基本取得了预期的效果，但是由于本人能力和实验条件有限，所以本原型系统依然有一些缺陷需要进一步改进完善。

[参考文献]

[1]徐俊增，彭世彰，张瑞美，等.基于气象预报的参考作物蒸发蒸腾量的神经网络预测模型[J].水利学报，2006（3）：376-379.

[2]尚松浩，雷志栋，杨诗秀.冬小麦田间墒情预报的经验模型[J].农业工程学报，2000，16（5）：31-33.

[3]WANG J，ZHANG W，LI Y，et al.Forecasting wind speed using empirical mode decomposition and Elman neural network[J].Applied Soft Computing，2014，23（Complete）：452-459.

[4]RAŞIT KÖKER，RAŞIT KÖKER，RAŞIT KÖKER.A genetic algorithm approach to a neural-network-based inverse kinematics solution of robotic manipulators based on error minimization[J].Information Sciences，2013，222（3）：528-543.