冬小麦田间墒情预报的BP神经网络模型_尚松浩

2002 年 4月 水 利 学 报 SHUILI XUEBAO 第 4 期 收稿日期: 2001-01-03 基金项目: 国家自然科学基金资助项目 (59839320) 作者简介: 尚松浩 ( 1971- ) , 男, 河南叶县人, 工学博士, 副教授, 主要研究方向: 农田灌溉与水资源利用. 文章编号: 0559-9350 ( 2002) 04-0060-05 冬小麦田间墒情预报的 BP神经网络模型 尚松浩1 , 毛晓敏1 , 雷志栋1 , 杨诗秀1 (11 清华大学水利水电 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 系, 北京 100084) 摘要: 土壤墒情预报是农田适时适量灌水的基础. 田间土壤水分的变化受到外界气象因素及土壤特性、作物长 势等的影响, 关系比较复杂. 本文利用北京市永乐店试验站冬小麦返青后的土壤水分试验资料 , 建立了土壤墒 情预报的 BP网络模型, 模型中同时考虑了多个因素对土壤贮水量的影响. 利用部分实测资料对网络进行训练, 然后对 2 年不同灌水处理下的土壤贮水量进行预测, 取得了较好的效果, 表明 BP 神经网络用于墒情预报是可行 的. 关键词: 冬小麦; 土壤贮水量; 墒情预报; BP神经网络 中图号: S27411 文献标识码: A 田间墒情预报是制定合理的灌溉 制度 关于办公室下班关闭电源制度矿山事故隐患举报和奖励制度制度下载人事管理制度doc盘点制度下载 从而进行适时适量灌水的基础, 其关键在于掌握田间根系层 土壤墒情的增长和消退规律. 土壤水分的增长和消退过程不仅与土壤特性有关, 还涉及到根系层与外 界的水分交换, 如降水、灌溉、蒸散发、根系层下边界水分通量等. 蒸散发、下边界水分通量等与气 象、土壤水分等因子之间存在较为复杂的非线性关系, 致使土壤水分变化规律也比较复杂. 目前墒情 预报模型主要有经验性模型[ 1]、概念性模型[ 2]、机理模型 [3, 4]等确定性模型及随机性模型 [ 5] 等. 以上 模型复杂性及适用性各异, 如经验性模型一般比较简单、便于应用, 但模型中经验参数的适用范围有 限; 机理模型具有一定的通用性, 但参数较多、应用不便. 人工神经网络 ( ANN) 中的 BP 网络具有 较强的自学习能力和处理非线性问题能力, 近年来在有关工程领域得到了广泛的应用. 本文建立了土 壤水分状况与其主要影响因素间的 BP 网络模型, 并将其用于墒情预报. 1 材料与方法 111 田间试验 田间试验于 1999~ 2000年在北京市水利科学研究所永乐店试验站进行. 该试验站位 于北京市东南郊, 试验地土壤为砂壤土. 试验小区分为 6行 (编号A~ F)、4列 (编号 1~ 4) 共 24 个, 每个小区大小为 10m@ 5m, 小区中间用混凝土板隔离. 试验设不同的灌水处理, 返青后的灌溉定 额为 0 (不灌水) ~ 240mm (灌水 4次) . 本文利用的试验资料为 1999年、2000年冬小麦返青至收获 ( 3月初至 6 月中旬) 期间的土壤水 分观测资料及气象观测资料. 在每个小区中心埋设铝管, 用中子仪测定土壤含水率, 测深为 011m、 012m、013m、014m、016m、018m、110m. 含水率一般每 5d观测一次, 灌水前后加测. 根据测定的各 层土壤含水率计算出 1m土层贮水量, 用于模型的建立. 根据土壤贮水量动态变化过程 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 , 部分小 区实际灌水量明显大于试验 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 值, 因此考虑灌水前后贮水量的变化等因素对部分灌水量进行一定的 修正. )60) 112 BP神经网络 BP网络是一种前馈型网络, 由 1个输入层、若干隐含层和 1个输出层构成. 图 1 为常用的三层 BP网络的结构 [6] . 如果输入层、隐含层和输出层的单元个数分别为 n、q、m, 则该三 层网络可表示为 BP ( n, q , m) , 利用该网络可实现 n 维输入向量Xn= ( X 1 , ,, X n ) T 到 m 维输出 向量 Ym= ( Y1 , ,, Ym ) T 的非线性映射. 输入层和输出层的单元数 n、m 根据具体问题确定, 而隐 含层单元数 q 的确定尚无成熟的方法, 一般可设定不同的 q 值根据训练结果来进行选择. 图 1 三层 BP网络结构示意 网络结构 BP ( n, q, m) 确定后, 网络参数包括输入 层第 i 单元到隐含层第j 单元的权重 WIij ( i= 1, ,, n; j= 1, ,, q )、隐含层第 j 单元到输出层第 k 单元的权重 WOj k ( j = 1, ,, q ; k= 1, ,, m )、隐含层第 j 单元的激活阈 值HHj ( j= 1, ,, q ) 及输出层第 k 单元的激活阈值 HOk ( k = 1, ,, m) . 以上权重和阈值的初值在网络训练之前随机 生成. 假设共有 P 个训练样本, 输入的第 p 个 ( p = 1, ,, P ) 训练样本信息首先向前传播到隐含单元上, 经过激活函 数f ( u)的作用得到隐含层的输出信息 H j p = f E n i= 1 W I ijX i p - H H j ( j = 1, ,, q ; p = 1, ,, P ) ( 1) 激活函数 f ( u) 一般采用 Sigmoid型, 即 f ( u) = 1 1+ exp(- u) ( 2) 隐含层的输出信息传到输出层, 可得到最终输出结果为 Ykp = f E q j= 1 W O j kH jp - H O k ( k = 1, ,, m; p = 1, ,, P ) ( 3) 以上过程为网络学习的信息正向传播过程, 另一个过程为误差反向传播过程. 如果网络输出与期 望输出间存在误差, 则将误差反向传播, 利用式 ( 4) 来调节网络权重和阈值: $W ( t + 1) = G 5E5W + A$W ( t ) ( 4) 式中: $W ( t ) 为 t 次训练时权重和阈值的修正, G、A分别为比例系数和动量系数, E 为误差平方 和, E = 1 2 E m k= 1 E P p= 1 ( Yp - tp ) 2 ( 5) 反复运用以上两个过程, 直至网络输出与期望输出间的误差满足一定的要求. 113 土壤墒情预报 BP网络模型中输入变量、输出变量的确定 在华北冬小麦生育期内, 降水量较 少, 一般不能形成径流, 这时田间土壤水分平衡可表示为: W2 - W1 = P + I - ( ET + Q )$t ( 6) 式中: W1、W2 分别为时刻 t 1、t 2的 1m土层贮水量, $t为时段长 ( $t= t2 - t 1 ) , P、I、ET、Q 分 别为相应时段内的降水量、灌水量、蒸散发强度及下边界水分通量 (以向深层渗漏为正) . 在上述各量中, 土壤贮水量为系统状态变量, 可以进行测定, 也是墒情预测模型中需要进行预测 的量; 降水量、灌水量作为系统输入, 可以进行较为准确的测定; 而蒸散发量、下边界水分通量的准 确测定和计算是比较困难的. 蒸散发强度 ET 通常根据参考作物腾发量ET 0、作物系数 Kc、土壤供水系数 K s 计算 [ 7] : ET = K sKcET 0 ( 7) 其中参考作物腾发量取决于地理位置及空气温度、湿度、风速、辐射等气象因素, 与气温关系比较密 切[ 8] ; 作物系数取决于作物种类、生育阶段及作物长势等; 土壤供水系数取决于土壤水分状况. 下边界通量 Q 主要与边界处土壤导水性能和水势梯度有关, 实际应用中一般采用与上层贮水量 )61) 有关的经验关系计算 [ 2] . BP网络本质上是一种静态网络, 而田间墒情变化是一个动态过程. BP 网络用于土壤墒情预报 时, 根据时段初的土壤贮水量 W1 (实测值或上一步预测值)、时段内影响墒情变化的主要因素、预测 时段长 $t 来预测时段末的贮水量W2 , 并通过对各个连续阶段的预测来模拟土壤墒情的动态变化. 根 据以上分析, 在墒情预报的 BP网络模型中采用以下 5个变量作为网络输入: ( 1) 预测时段末对应的 时间 t . 该变量可以反映作物的生育阶段, 表示作物系数等随生育阶段的变化. ( 2) 预测时段长 $t . 对于一个预测时段来说, 时间和预测时段长 $t 是相互独立的, 因此将 $t 作为网络的输入变量. ( 3) 阶段降水灌水总量 PI . 降水与灌水对土壤水分的影响是一致的, 将其合并为一个变量. ( 4) 阶段平 均气温 T . 主要反映参考作物腾发量. ( 5) 预测时段初贮水量 W1 . 该量既是预测时段末贮水量的基 础, 又可反映作物供水系数及下边界通量. 网络的输出为时段末土壤贮水量 W2 , 即预测值. 2 结果与分析 211 网络训练及一步预测结果 根据以上分析, 网络输入变量数 n = 5, 输出变量数 m= 1, 采用包 含1个隐含层的神经网络 BP ( 5, q , 1) . 隐含层单元数 q 与所研究的具体问题有关, 目前尚无统一 的确定方法, 通常根据网络训练情况采用试错法确定. 在满足一定的精度要求下一般取较小的数值, 以改善网络的概括推论能力. 在训练中网络的收敛采用输出值 Wn 与实测值W 的平均绝对误差进行控 制: E = 1 P E P p = 1 | Wn, p - Wp | [ Em ( 8) 训练精度 Em 取为 5mm. 设定不同的隐含层单元数, 利用 A3、C 3、E3、F3等 4个小区 1999年 3月 初至 6月中旬的 92组数据对 BP网络进行训练. 在隐含层单元数 q= 5时, 经过一定次数的训练, 平 均绝对误差达到精度要求. 因此最终采用的网络结构为 BP ( 5, 5, 1) , 网络训练结果见表 1. 利用训练后的网络对 1999年其余 20个小区及 2000年 24个小区的土壤贮水量进行预测, 即根据 当前实测贮水量及其它有关变量预测时段末的贮水量. 预测时段与实测资料一致 (变化范围为 1~ 10d, 一般为 5d) , 以便对网络模型进行验证. 一步预测结果与训练结果一并列在表 1中, 图 2、图 3 则分别给出了 C1、F4小区 2年中不同灌水处理下一步预测值与实测值的比较. 表 1 BP 网络训练与一步预测结果 年份 样本类型 样本数量 平均绝对误差 Pmm 预测值 Wc 与实测值W 线性回归: Wc= aW a 相关系数 R 绝对误差 < 10mm 的比例 ( % ) 绝对误差 < 20mm 的比例 ( % ) 1999 训练 92 510 019985 01992 8317 10010 1999 预测 460 618 019997 01982 7810 9714 2000 预测 528 615 019967 01988 7818 9717 图 2 C1小区土壤 1m 贮水量预测值与实测值变化过程比较 212 讨论 ( 1) 从以上预测结果来看, 所建立的墒情预报 BP 网络模型预测效果较好. 模型的输入 )62) 图 3 F 4小区土壤 1m 贮水量预测值与实测值变化过程比较 变量中降水量、气温、当前土壤贮水量等都是比较容易监测的, 因此模型也比较便于应用. 在对未来 一段时间内的降水、气温进行预测后, 上述墒情预报模型可用于灌水预报. ( 2) 模型参数是根据一定 的自然条件及农田管理水平下的试验结果所建立的, 有其一定的适用范围. 不同水、肥水平下作物长 势的不同也会影响土壤水分的变化, 在进一步的研究中应该加以考虑. ( 3) 与土壤水量平衡模型 [2]、 土壤水动力学模型[ 4]等预测土壤水分动态的概念性、机理性模型相比, 用于土壤墒情预报的神经网络 模型属于黑箱模型, 它不需要确定影响土壤水分变化的土壤、作物等参数, 而是利用网络结构和参数 来反映土壤水分变化与其主要影响因素之间的关系, 模型的建立比较简单. 但神经网络模型中的参数 一般没有具体的物理意义, 不能反映出土壤水分与其影响因素之间的物理关系, 是这类模型的主要局 限性. 3 结论 本文考虑影响土壤水分变化的主要因素, 建立了冬小麦田间墒情预报的 BP 神经网络模型. 在用 部分试验资料对网络进行训练获得网络参数后, 将网络模型用于土壤墒情的一步预报, 取得了较好的 效果. 表明将 BP网络用于土壤墒情预报是可行的. 在模型的完善及模型在不同地区的应用等方面需 要进一步的研究工作. 参 考 文 献: [ 1 ] 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. [ 2 ] 郭群善, 雷志栋, 杨诗秀. 作物生长条件下田间土壤水量平衡计算的研究 [ J] . 水利学报, 1997, (增 刊) : 40- 46. [ 3 ] 唐绍忠, 张富仓. 玉米生长条件下农田土壤水分动态预报方法的研究 [ J] . 生态学报, 1997, 17 ( 3) : 245- 251. [ 4 ] 毛晓敏, 杨诗秀, 雷志栋. 叶尔羌灌区冬小麦生育期 SPAC 水热传输的模拟研究 [ J] . 水利学报, 1998, ( 7) : 35- 39. [ 5 ] 罗毅, 雷志栋, 杨诗秀. 根系层储水量对随机腾发响应特性的初步分析 [ J] . 水利学报, 1998, ( 5) : 44 - 48. [ 6 ] 袁增任. 人工神经元网络及其应用 [ M] . 北京: 清华大学出版社, 19991 [ 7 ] 雷志栋, 杨诗秀, 谢森传. 土壤水动力学 [ M] . 北京: 清华大学出版社, 19881 [ 8 ] 尚松浩, 毛晓敏, 等. 叶尔羌河绿洲潜在腾发量的变化特性 [ J] . 灌溉排水, 1999, 18 ( 2) : 14- 17. (下转 68页) )63) 参 考 文 献: [ 1] 依伦伯格 R. 陡槽水流掺气 [ C] . 见: 高速水流论文译丛第一辑第一册, 北京: 科学出版社, 1958: 176 - 185. [ 2] 霍尔 L S. 高速明渠水流的掺气 [ C] . 见: 高速水流论文译丛第一辑第一册, 北京: 科学出版社, 1958: 1 - 38. [ 3] Straub L G, Anderson A G. Experiments on sel-f aeration flow in open channels [ J] . Proc. ASCE, Hydr. Div. , 1958, 84 ( 7) : 1- 35. [ 4] 吴持恭. 明渠水气二相流 [ M] . 成都: 成都科技大学出版社, 1989, 6. [ 5] 中国电力企业联合会标准化部编. 电力工业标准汇编 (水电卷) [ S] . 北京: 水利电力出版社, 1995, 3: 285- 286. Measurement and calculation of air concentration distribution of self-aerated flow in spillway tunnel DENG Jun 1 , XU We-i lin 1 , QU Jin-xue 1 , DONG Jian-wei 1 ( 11Sichuan Universtiy , Chengdu 610065, China ) Abstract: The effect of tunnel ceiling on air concentration distribution is studied experimentally. The measurement shows that air concentration decreases with the increase of elevat ion in the vicinity of cei-l ing. Besides, air concentrat ion in water drop zone will be reduced and the maximum air concentration along the vertical line may be lower than 99%. A theoretical formula is established for calculating the air concentration of sel-f aerated flow in spillway tunnel. A simplified formula for air concentration based on reasonable assumption is proposed. The validity of the calculation is verified by experiments. Key words: sel-f aerated flow; air concentration; spillway tunnel; remaining height (上接 63页) Back-propagation neural network model for soil moisture forecast of winter wheat field SHANG Song- hao1 , MAO Xiao-min1 , LEI Zh-i dong1 , YANG Sh-i xiu1 ( 11Tsinghua University, Beijing 100084, China) Abstract: Based on the field soil moisture observation data for winter wheat in Yongledian Experimental Sta- tion, Beijing, during growing period, a back- propagation ( BP) network model for soil moisture forecast is es- tablished. The model takes main factors influencing soil moisture regime into account. The network is trained by part of observation data before the application to forecast of soil moisture with different irrigation treatment in two years. The predicted soil moisture fairly well agrees with the observation data. Key words: winter wheat; soil water storage; soil moisture forecast; back-propagat ion neural network )68)