基于神经网络的福建省水稻产量与土壤及气象因子关系分析

论文摘要

水稻的生长发育是品种与环境因子共同作用的结果，这些因子包括了土壤、气候以及栽培管理措施等。在一定的栽培管理条件下，品种产量主要是决定于生长的环境条件如光照时间、太阳辐射、温度、水分和土壤等。在作物生长发育的关键时期，环境条件的异常可能大大影响产量，因此人们日益注重环境条件对水稻生长影响的研究。水稻产量的时空差异主要是受气象、土壤等的作用，这些差异与种植季节和种植地点有很大的关系，因此气象与土壤条件是影响作物的生长发育的两大关键环境因子。福建省位于中国东南沿海，属亚热带气候，境内的南与北、沿海与内陆、山地与平原的气象条件相差很大；同时山地多，地形复杂，境内约90％是山地，70％水稻田都位于山间平原或山坡上，土壤差异较大，因此，影响水稻生长的两大因子的作用也不相同。研究福建山区水稻产量与环境因子的关系可以获得山区水稻最佳的栽培管理时期与栽培措施来避免灾害，提高产量。近年来作物产量的模拟已经成为农业生产管理的重要研究方向。传统的回归或相关分析模型是在自变量与产量之间分析得出统计关系，从技术上说，这些模型简单，易于获得与建立，但如果没有长期的试验，这些模型有时应用效果并不好，而且这类模型需经特别设计的试验后才能确定其中的关系，因而具有地点效应，只对一时一地一种作物有效，只能用于特定环境条件。另一方面，这些模型缺乏研究非线性问题的能力，而作物生长恰是一个非线性的自然过程。作物对农业生态条件的反应是不断发生发展、复杂的非线性的关系，因此需要引进新的数学模型，来确定作物产量与其它因子之间的关系。人们已经用一些非线性模型来研究这些关系，人工神经网络（Artificial neural network，ANN）就是其中比较简单且通用的一种模型。由于ANN可以模拟一个复杂的非线性的关系而不需要严格的样本条件，不需要做任何假定或构建数学方程，只需要训练样本；与线性回归相比，在作物产量的模拟过程中，ANN适用性更好，已经越来越受到广泛的应用。本研究收集福建省水稻品种区域试验（简称区试）16个试验地点多年间（1993-1999，2000-2003）的气象、土壤资料与水稻产量资料。气象资料由本地收集，包括2-11月间的总降雨量、总日照时数、总辐射、积温、总风速、6-8月的总日照时数。土壤资料包括土壤含水量（％）、有机质（％）、碱解N（mg／kg）、速效P（mg／kg）、速效K（mg／kg）、容重（g／kg）、孔隙度（％）、pH和CaCO3（g／kg）含量。分别研究了这两大类环境因子与水稻产量的关系，了解水稻产量形成过程中G×E互作效应在年度、地点间的变化情况；分析土壤、气象因子对产量影响的主成分因子，建立产量逐步回归模型。在此基础上，利用这些资料，采用人工神经网络方法，编写基于Matlab 7.0的计算程序，建立基于普通BP神经网络、基于混沌优化的BP神经网络（GBP）和基于遗传算法优化的BP神经网络（CBP）的三种水稻产量模拟模型；并根据实际产量，比较三种神经网络模型与回归模型的准确性与适用性。取得了以下结果：1．水稻基因型×环境互作效应值在在年度间相对稳定（早稻0.25，晚稻0.18）；大多试点内互作效应值相对稳定，但地点间相差较大，其中漳平、尤溪、建瓯、武夷山、漳浦、福州和福鼎等地相对比较高，互作效应占当年总互作效应均在10％以上（即SSPj＞10％）；相反，永定、连城、宁化、将乐、邵武、浦城、泉州、莆田和宁德几年来SSPj值一直较低（各点每年均低于10％）。2．水稻产量与土壤因子中的有机质、碱解N、容重、孔隙度和CaCO3含量等呈正相关，而与含水量、pH为负相关。影响产量的主成分因子分别是土壤肥力、产量性状、田间管理，土壤酸碱，而且土壤肥力因子贡献率较大。产量逐步回归方程的相关系数达0.9080。三种神经网络中，GBP的相对误差最小，其次是CBP，而回归模型的相对误差最大，多数地点表现利用GBP的模拟效果较好。3．水稻产量与气象因子中的水稻生长季节（2-11月）总日照时数、总辐射、积温、6-8月的总日照时数等呈正相关，而与总风速、总降雨量为负相关。影响产量的主成分因子分别是热量、籽粒、田管和风雨，而且热量的贡献率最大。产量逐步回归方程的相关系数达0.9574。三种神经中，CBP的相对误差最小，其次是GBP，而回归模型的相对误差最大，年间模拟结果有差异。4．水稻产量与土壤气象两个因子中的6-8月的总日照、有机质、碱解N、总日照时数、总辐射、积温、容重、孔隙度、CaCO3、速效P、速效K等都为正相关，而与总降雨量、总风速和pH为负相关。影响产量的主成分因子分别是质地、热量、籽粒、风雨和PK，而且质地与热量因子贡献率较大。产量逐步回归方程的相关系数达0.9756。三种神经网络中，BP的相对误差最小（7.76％），其次是GBP（9.30％），而回归模型的相对误差（12.82％）最大，在综合考虑土壤与气象两因素时，以BP模拟的结果最佳，地点间表现了差异性。5．在调整了BP网络的隐含层的节点，用混沌方法设定了网络初始权值和用遗传算法寻找最优连接权值等影响模拟模型准确度的参数后，建立了适应于山区水稻产量模拟的BP网络模型。结果隐含层的节点在9个。建立的CGBP网络的学习时间缩短，模拟效果较好。与回归模型、BP模型相比，它的相对误差最低（相对误差绝对值的平均值为1.84％）下降，地点间表现了一定的差异性。水稻产量除土壤与气象因子外，还受栽培措施、水肥管理、病虫害以及其它生态环境的变化等因素的影响，是一个复杂的非线性过程。本研究建立的模型可用来预测福建省的水稻产量。如果进一步其它如栽培、管理等因素对网络进行训练，则可进一步拓宽应用范围，也能提高产量模拟及预测的准确度。

论文目录

• 中文摘要
• 英文摘要
• 第一章 文献综述
• 第一节 人工神经网络概述
• 1.1 人工神经网络的产生
• 1.2 人工神经网络的起源与发展
• 1.2.1 奠基阶段
• 1.2.2 第一次高潮阶段
• 1.2.3 坚持阶段
• 1.2.4 第二次高潮阶段
• 1.2.5 新发展阶段
• 1.3 人工神经元
• 1.3.1 生物神经元的构成
• 1.3.2 生物神经元的特性
• 1.3.3 人工神经元模型
• 1.4 人工神经网络的拓扑结构、网络类型以及BP神经网络
• 1.4.1 人工神经网络模型结构
• 1.4.2 BP网络
• 第二节 BP神经网络的缺点
• 2.1 BP神经网络存在的问题
• 2.1.1.收敛速度慢,训练时间长
• 2.1.2 局部极小值
• 2.1.3.网络隐含层结点难以确定,影响应用
• 2.1.4.网络结构选择不一,性能不一
• 2.2 常用的改进方法
• 2.2.1 学习率自适应调整
• 2.2.2 动量法
• 2.2.3 初始权值的优化
• 2.3 两种新的改进算法
• 第三节 混沌与混沌神经网络
• 3.1 混沌的起源与发展
• 3.2 混沌神经网络
• 3.3 混沌神经网络研究现状
• 3.3.1 Aihara的混沌神经网络模型
• 3.3.2 耦合混沌神经网络模型
• 第四节 遗传算法与遗传神经网络
• 4.1 遗传算法的历史
• 4.1.1 60-70年代的兴起阶段
• 4.1.2 80年代的发展阶段
• 4.1.3 90年代后的高潮阶段
• 4.2 遗传算法概述
• 4.2.1 遗传算法的基本流程
• 4.2.2 遗传编码
• 4.2.3 适应函数（评价函数）
• 4.2.4 遗传算子
• 4.2.5 群体设定
• 4.2.6 初始化群体
• 4.2.7 终止循环条件
• 4.2.8 控制参数和选择
• 4.3 遗传算法的特点
• 4.4 遗传算法和神经网络结合
• 4.4.1 遗传算法优化神经网络的连接权
• 4.4.2 遗传算法优化神经网络的网络结构
• 4.4.3 遗传算法优化神经网络的学习规则
• 4.5 遗传神经网络（GNN）的研究与应用
• 第五节 神经网络在农业中的应用
• 5.1 在农业生产与精确农业中的应用
• 5.2 在农业生产与精确农业中的应用
• 5.3 在农产品外观鉴定、分类和评价中的应用
• 5.4 在其它方面的应用
• 5.5 应用展望
• 第六节 水稻产量影响因素的研究进展
• 6.1 引言
• 6.2 水稻产量与土壤因素关系的研究进展
• 6.3 水稻产量与气象因素关系的研究进展
• 6.4 水稻产量影响因素的研究不足
• 第七节 本研究的内容、方法与意义
• 7.1 本研究的内容
• 7.2 研究方法
• 7.3 研究意义
• 第二章 BP神经网络的研究改进
• 第一节 混沌优化BP网络算法（CBP）
• 第二节 遗传算法优化BP网络算法（GBP）
• 第三节 混沌遗传法优化BP网络算法（CGBP）
• 第三章 试验地点选择与基于MATLAB的网络设计
• 第一节 试验地点选择
• 1.1 福建地理条件
• 1.2 福建气候资源
• 1.3 试验地点选择
• 第二节 BP网络结构设计分析
• 2.1 网络结构的设计
• 2.1.1 隐含层数与隐含层神经元（节点）数的确定
• 2.1.2 网络学习参数的选取
• 2.2 样本数据的处理
• 第三节 基于MATLAB的神经网络建模
• 3.1 MATLAB简介
• 3.2 神经网络工具箱函数
• 3.2.1 通用函数
• 3.2.2 传递函数
• 3.2.3 网络训练函数
• 3.3 基于MATLAB的BP网络
• 3.3.1 MATLAB中BP网络的训练步骤
• 3.3.2 BP网络的MATLAB实现
• 第四章 南方多云雨山区水稻产量与土壤因素的关系
• 1 材料和方法
• 1.1 材料
• 1.2 方法
• 1.2.1 品种×地点互作和多种互作效应分析
• 1.2.2 各试点产量与土壤因子相关分析
• 1.2.3 主成分分析与逐步回归分析
• 1.2.4 基于土壤因子的四种水稻产量预测模拟模型的比较
• 2 结果与分析
• 2.1 品种×地点互作和多种互作效应结构变化
• 2.2 土壤因子与试点产量的相关分析
• 2.3 主成分分析与逐步回归分析
• 2.3.1 主成分分析
• 2.3.2 各因子与产量的相关分析和回归方程的建立
• 2.4 基于土壤因子的四种水稻产量预测模拟模型的比较
• 2.4.1 水稻产量预测模拟的普通BP网络模型
• 2.4.2 水稻产量预测模拟的遗传BP网络模型（GBP）
• 2.4.3 水稻产量预测模拟的混沌BP网络模型（CBP）
• 2.4.4 四种水稻产量预测模拟模型的比较
• 3 讨论
• 第五章 南方多云雨山区水稻产量与气象因素的关系
• 1 材料与方法
• 1.1 材料
• 1.2 方法
• 1.2.1 各试点产量与气象因子相关分析
• 1.2.2 主成分分析与逐步回归分析
• 1.2.3 基于气象因子的四种水稻产量预测模拟模型的比较
• 2 结果与分析
• 2.1 气象因子与试点产量的相关分析
• 2.2 主成分分析与逐步回归分析
• 2.2.1 主成分分析
• 2.2.2 各因子与产量的相关分析和回归方程的建立
• 2.3 基于气象因子的四种水稻产量预测模拟模型的比较
• 2.3.1 水稻产量预测模拟的普通BP网络模型
• 2.3.2 水稻产量预测模拟的遗传BP网络模型（GBP）
• 2.3.3 水稻产量预测模拟的混沌BP网络模型（CBP）
• 2.3.4 四种水稻产量预测模拟模型的比较
• 3 讨论
• 第六章 南方多云雨山区水稻产量与气候及土壤因素的关系
• 1 材料与方法
• 1.1 材料
• 1.2 方法
• 1.2.1 各试点产量与土壤、气象因子相关分析
• 1.2.2 主成分分析与逐步回归分析
• 1.2.3 基于气象因子的四种水稻产量预测模拟模型的比较
• 2 结果与分析
• 2.1 土壤、气象因子与试点产量的相关分析
• 2.2 主成分分析与逐步回归分析
• 2.2.1 主成分分析
• 2.2.2 各因子与产量的相关分析和回归方程的建立
• 2.3 基于气象因子的四种水稻产量预测模拟模型的比较
• 2.3.1 水稻产量预测模拟的普通BP网络模型
• 2.3.2 水稻产量预测模拟的遗传BP网络模型（GBP）
• 2.3.3 水稻产量预测模拟的混沌BP网络模型（CBP）
• 2.3.4 四种水稻产量预测模拟模型的比较
• 3 讨论
• 第七章 南方多云雨山区水稻产量的神经网络预测模型
• 1 材料与方法
• 1.1 材料
• 1.2 方法
• 2 结果与分析
• 2.1 CGBP网络模型
• 2.2 三种水稻产量预测模型的比较
• 3 讨论
• 第八章 全文小结
• 1 全文结论
• 1.1 基因型与产量环境互作效应年份与地点间的变化
• 1.2 土壤因子与水稻产量的关系
• 1.3 气象因子与产量的关系
• 1.4 土壤、气象因子与产量的关系
• 1.5 南方山区水稻产量预测模型
• 2 本研究的创新之处
• 3.有待于进一步研究的问题
• 参考文献
• 附录
• 致谢
• 博士在读期间发表（投稿）的论文