基于神经网络的冬小麦生育期日土壤水分预测模型研究

2020-11-19王丽丽王振龙索梅芹胡永胜

节水灌溉 2020年11期

王丽丽，王振龙，索梅芹，周超，胡永胜

(1.河北工程大学，河北邯郸 056021；2.安徽省(水利部淮委)水利科学研究院，安徽蚌埠 233000)

0 引言

土壤水是作物吸收水分的主要来源，是促进作物正常发育，保证农业生产活动正常运行的重要基础[1]。在水资源短缺的今天，为了提高农田灌溉水有效利用率，避免水资源严重浪费，及时准确掌握农田土壤水分变化动态规律，对制定适时适量灌溉具有重要意义。目前，针对土壤水分的计算方法国内外许多学者进行相关研究。如李斌楠等[2]、聂红梅等[3]利用支持向量机的方法，建立了土壤水分预测模型；杨绍辉[4]、李军[5]等利用ARIMA模型分别对北京市、贵阳市和淮北平原的土壤水分进行预测；刘洪斌等[6]利用人工神经网络模型和时间序列自回归模型建立了土壤水分预测模型；BAI[7]等用小波分析和NARX神经网络建立了黄土丘陵地区的土壤水分预测模型；马晓刚等[8]根据春播关键期土壤水分主要取决于前一年秋季降雨量，建立了土壤水分预测模型；Martin Aboitiz等[9]根据实测数据，使用时间序列模型，对当地的土壤墒情进行预报；Yi Lung Then等[10]用改进的微带环形谐振传感器进行微波土壤测墒，再根据转换腐殖土和沙子在不同含水量下的反射系数来对土壤水分进行预测。何帅[11]通过拟合土壤消退系数k，结合棉花各生育期适宜的土壤田间持水量指标，建立膜下滴灌棉田土壤墒情预测模型。但在对土壤分层建立模型以及引入算法优化模型从而提高精度方面研究不多。本研究是把影响土壤含水率的气象因子作为输入因子，由于作物根系分布密集层主要在0～50 cm土层，因此，把10、30、50 cm土层土壤含水率作为输出因子，建立BP神经网络模型，通过引入具有全局搜索能力的遗传算法优化BP神经网络模型，提高了土壤水分预测精度。

1 实验研究概况

1.1 实验站概况

五道沟水文实验站地处安徽省蚌埠市固镇县新马桥镇原种场境内，属暖温带半湿润季风气候，四季分明。多年平均降雨量为893 mm，其中汛期(6-9月)降雨量占62%，多年平均气温在14 ℃，地下水位变化范围1～3 m，属于浅埋区，种植农作物主要有夏玉米、夏大豆和冬小麦。土壤类型主要由形状、色泽如生姜的砂姜黑土组成，该土壤饱和含水率为38%～40%，适宜作物生长的土壤含水率区间为18%～26%，渗透系数为24.2 mm/h。实验站内设有潜水蒸发、入渗和径流、土壤水分、蒸散发、叶面积指数、气象、径流等观测要素，有60余年长系列实验观测资料。

1.2 资料选取与研究方法

选取五道沟实验站自动称重式蒸渗仪2018年10月30日-2019年5月31日逐日分层实测土壤水数据，地下水位埋深设置为1 m。土壤含水率主要与降雨、气温、地温、风速、日照时数、绝对湿度和水面蒸发等7个气象因素有关，选取同期气象场实测7个气象要素数据建立土壤含水率预测模型。

本文采用BP神经网络遗传算法，以7个气象因子作为输入因子，不同土层土壤含水率分别作为输出因子，建立关于土壤含水率BP神经网络模型，在此基础上，引入具有全局搜索能力的遗传算法优化BP神经网络，分别采用两种方法建立预测模型。

2 结果与分析

2.1 冬小麦生育期实测土壤水分变化特征分析

降水量直接影响土壤含水率变化，根据五道沟实际观测资料，绘制了冬小麦各生育期土壤水和降雨量逐日变化过程线，见图1。从图1可知，不同土层各生育期土壤含水率变化趋势基本一致。从10月下旬到11月下旬，冬小麦处于出苗—分蘖期，气温较低，需水量少，期间随着降雨量增加土壤含水率出现增高的趋势；当小麦进入分蘖期，分蘖增多，根系增多，耗水量增加，期间降水减少，土壤含水率出现下降趋势；在12月上旬到2月下旬，冬小麦处于分蘖-越冬期，此时气温最低，土壤结冰，小麦茎叶发育缓慢，需水量较小，期间降雨量少，土壤含水率变化不大；在2月下旬到4月中下旬，冬小麦处于返青-拔节期，气温回升，作物迅速生长发育，茎叶增长快，为需水高峰期，叶面蒸腾和土壤蒸发较强烈，土壤含水率出现下降的趋势；期间降水增加时，土壤含水率出现增高现象；在4月下旬到5月底，冬小麦处于抽穗-成熟期，小麦开花，开始授粉，此时处于第二个需水高峰期，土壤含水率下降；当处于成熟期时，气温高，日照强，土壤蒸发和作物蒸腾较大，光合作用强，土壤含水率明显下降。

图1 冬小麦各生育期不同土层土壤含水率变化过程线Fig.1 Variation process line of soil moisture content in different soil layers at different growth stages of Winter Wheat

2.2 BP神经网络模型的建立

BP神经网络是包含输入层、隐含层和输出层的一种前向神经网络。在网络训练过程中，通过误差反向传播不断更新网络权值和阈值，从而使误差平方和达到最小。

2.2.1 输入层输出层的确定

本文选取气象因子降雨量、气温、地温、风速、日照时数、绝对湿度以及水面蒸发作为神经网络的输入因子，10、30、50 cm土层土壤含水率分别作为输出因子。为了避免输入和输出数据的数量级相差较大，导致网络的收敛速度过快甚至不收敛，将输入输出数据用mapminmax函数进行归一化处理。计算公式如下。

(1)

式中：χcale为归一化值；χmin为输入输出因子的最小值；χmax为输入输出因子的最大值；χ为输入输出因子。

2.2.2 隐含层节点数的确定

结合输入输出因子个数，根据隐含层节点个数的参考公式[12]，确定隐含层节点数的求解区间为[4,16]。计算公式如下。

(2)

式中：n为隐藏层节点数；nI为输入层个数；n0为输出层个数。

2.2.3 BP神经网络的创建和训练参数的确定

利用newff函数创建BP神经网络，其中输入层和隐含层之间选择正切S型tansig传递函数，隐含层和输出层选取线性purelin函数；网络训练函数选取的是动态自适应学习率的梯度下降BP算法训练函数traingda函数；网络学习函数采用的是learngd函数。并设置了最大训练次数1 000 次；学习率0.01；输入输出的目标误差0.000 4。

2.2.4 BP神经网络模型确定和检验

选取2018-2019年冬小麦生育期间逐日不同土层土壤含水率数据和同期气象数据。将全生育期以5∶1比例划分为训练集和测试集。首先，按照上述经验公式求得隐藏节点区间[4，16]，取其中的整数来确定相应的BP网络结构(7-4-1，7-4-1，…,7-16-1)，将训练样本按照上述配置好的网络参数进行训练，通过网络训练精度，确定最优的隐藏节点数，如表1所示。根据表1，对10、30和50 cm土层分别选用9、12和14个隐藏层节点数。由此得出10 cm土层的土壤水分预测模型为BP(7-9-1)；30 cm土层的土壤水分模型为BP(7-12-1)；50 cm土层的土壤水分预测模型为BP(7-14-1)。

表1 不同隐含层节点数下BP神经网络模型的拟合精度Tab.1 Fitting accuracy of BP neural network model under different hidden layers

将训练所得的不同土层的BP神经网络模型用于测试冬小麦生育期4月26日-5月30日不同土层土壤含水率值，并绘制了土壤含水率实际值和预测值对比图，如图2所示。并把土壤含水率预测值和实际值用平均相对误差和绝对准确度进行比较，如表2所示。由表2可知：不同土层平均相对误差依次为6.2%、4.0%、2.9%；绝对准确度依次为0.938、0.960、0.971。土壤表层平均相对误差相对较大，主要是因为土壤表层土质疏松且，易受降雨、土壤翻作等影响。随着土层增加，模型平均相对误差减小，绝对准确度提高。

图2 不同土层土壤含水率实际值和预测值的对比图Fig.2 Comparison of actual and predicted values of soil moisture content in different soil layers

表2 不同土层BP神经网络模型预测结果表Tab.2 Prediction results of BP neural network model for different soil layer

2.3 遗传算法优化神经网络模型

简单的BP神经网络模型尽管预测准确度较高，在应用中，往往不能满足高精度需求。为此采用具有全局搜索能力的遗传算法引入上述BP神经网络土壤水分预测模型，对其进行优化，从而进一步提高预测精度。

遗传算法是模拟自然界中生物群体遗传和演化过程而形成的随机搜索最优化方法。采用遗传算法优化BP神经网络权值和阈值，使得优化后BP神经网络更好预测输出。遗传算法优化BP神经网络，首先，种群中每个个体都包含了网络中所有权值和阈值，每个个体通过适应度函数[见式(3)]计算个体适应度值，选择方法选择轮盘赌法(基于适应度比例的选择策略)、交叉概率0.2、变异概率0.1，找到最优适应度值所对应个体，将最优个体对神经网络权值和阈值进行赋值，利用 BP神经网络局部搜索能力得出全局最优解[13]。将上述参数输入优化后的BP神经网络，得出预测值。绘制了实际值和预测值对比图，如图3所示，并把预测值和实际值进行比较，表3所示。适应度函数为公式(3)。

(3)

式中：F为个体适应度值；Yi为第i个节点实际输出；yi为第i个节点预测输出。