基于神經網絡的福建省水稻產量與土壤及氣象因子關系分析.pdf

1、水稻的生長發(fā)育是品種與環(huán)境因子共同作用的結果，這些因子包括了土壤、氣候以及栽培管理措施等。在一定的栽培管理條件下，品種產量主要是決定于生長的環(huán)境條件如光照時間、太陽輻射、溫度、水分和土壤等。在作物生長發(fā)育的關鍵時期，環(huán)境條件的異?？赡艽蟠笥绊懏a量，因此人們日益注重環(huán)境條件對水稻生長影響的研究。 水稻產量的時空差異主要是受氣象、土壤等的作用，這些差異與種植季節(jié)和種植地點有很大的關系，因此氣象與土壤條件是影響作物的生長發(fā)育的兩大關鍵

2、環(huán)境因子。福建省位于中國東南沿海，屬亞熱帶氣候，境內的南與北、沿海與內陸、山地與平原的氣象條件相差很大；同時山地多，地形復雜，境內約90％是山地，70％水稻田都位于山間平原或山坡上，土壤差異較大，因此，影響水稻生長的兩大因子的作用也不相同。研究福建山區(qū)水稻產量與環(huán)境因子的關系可以獲得山區(qū)水稻最佳的栽培管理時期與栽培措施來避免災害，提高產量。 近年來作物產量的模擬已經成為農業(yè)生產管理的重要研究方向。傳統(tǒng)的回歸或相關分析模型是在自變

3、量與產量之間分析得出統(tǒng)計關系，從技術上說，這些模型簡單，易于獲得與建立，但如果沒有長期的試驗，這些模型有時應用效果并不好，而且這類模型需經特別設計的試驗后才能確定其中的關系，因而具有地點效應，只對一時一地一種作物有效，只能用于特定環(huán)境條件。另一方面，這些模型缺乏研究非線性問題的能力，而作物生長恰是一個非線性的自然過程。作物對農業(yè)生態(tài)條件的反應是不斷發(fā)生發(fā)展、復雜的非線性的關系，因此需要引進新的數學模型，來確定作物產量與其它因子之間的關系

4、。人們已經用一些非線性模型來研究這些關系，人工神經網絡(Artificial neural network，ANN)就是其中比較簡單且通用的一種模型。由于ANN可以模擬一個復雜的非線性的關系而不需要嚴格的樣本條件，不需要做任何假定或構建數學方程，只需要訓練樣本；與線性回歸相比，在作物產量的模擬過程中，ANN適用性更好，已經越來越受到廣泛的應用。 本研究收集福建省水稻品種區(qū)域試驗(簡稱區(qū)試)16個試驗地點多年間(1993-1999

5、，2000-2003)的氣象、土壤資料與水稻產量資料。氣象資料由本地收集，包括2-11月間的總降雨量、總日照時數、總輻射、積溫、總風速、6-8月的總日照時數。土壤資料包括土壤含水量(％)、有機質(％)、堿解N(mg/kg)、速效P(mg/kg)、速效K(mg/kg)、容重(g/kg)、孔隙度(％)、pH和CaCO<,3>(g/kg)含量。分別研究了這兩大類環(huán)境因子與水稻產量的關系，了解水稻產量形成過程中G×E互作效應在年度、地點間的變化

6、情況；分析土壤、氣象因子對產量影響的主成分因子，建立產量逐步回歸模型。在此基礎上，利用這些資料，采用人工神經網絡方法，編寫基于Matlab 7.0的計算程序，建立基于普通BP神經網絡、基于混沌優(yōu)化的BP神經網絡(GBP)和基于遺傳算法優(yōu)化的BP神經網絡(CBP)的三種水稻產量模擬模型；并根據實際產量，比較三種神經網絡模型與回歸模型的準確性與適用性。取得了以下結果： 1.水稻基因型×環(huán)境互作效應值在在年度間相對穩(wěn)定(早稻0.25，晚稻0.

7、18)；大多試點內互作效應值相對穩(wěn)定，但地點間相差較大，其中漳平、尤溪、、建甌、武夷山、漳浦、福州和福鼎等地相對比較高，互作效應占當年總互作效應均在10％以上(即SSP<,j>>10％)；相反，永定、連城、寧化、將樂、邵武、浦城、泉州、莆田和寧德幾年來SSPj值一直較低(各點每年均低于10％)。 2.水稻產量與土壤因子中的有機質、堿解N、容重、孔隙度和CaCO<,3>含量等呈正相關，而與含水量、pH為負相關。影響產量的主成分因子

8、分別是土壤肥力、產量性狀、田間管理，土壤酸堿，而且土壤肥力因子貢獻率較大。產量逐步回歸方程的相關系數達0.9080。三種神經網絡中，GBP的相對誤差最小，其次是CBP，而回歸模型的相對誤差最大，多數地點表現利用GBP的模擬效果較好。 3.水稻產量與氣象因子中的水稻生長季節(jié)(2-11月)總日照時數、總輻射、積溫、6-8月的總日照時數等呈正相關，而與總風速、總降雨量為負相關。影響產量的主成分因子分別是熱量、籽粒、田管和風雨，而且熱量

9、的貢獻率最大。產量逐步回歸方程的相關系數達0.9574。三種神經中，CBP的相對誤差最小，其次是GBP，而回歸模型的相對誤差最大，年間模擬結果有差異。 4.水稻產量與土壤氣象兩個因子中的6-8月的總日照、有機質、堿解N、總日照時數、總輻射、積溫、容重、孔隙度、CaCO<,3>、速效P、速效K等都為正相關，而與總降雨量、總風速和pH為負相關。影響產量的主成分因子分別是質地、熱量、籽粒、風雨和PK，而且質地與熱量因子貢獻率較大。產量

10、逐步回歸方程的相關系數達0.9756。三種神經網絡中，BP的相對誤差最小(7.76％)，其次是GBP(9.30％)，而回歸模型的相對誤差(12.82％)最大，在綜合考慮土壤與氣象兩因素時，以BP模擬的結果最佳，地點間表現了差異性。 5.在調整了BP網絡的隱含層的節(jié)點，用混沌方法設定了網絡初始權值和用遺傳算法尋找最優(yōu)連接權值等影響模擬模型準確度的參數后，建立了適應于山區(qū)水稻產量模擬的BP網絡模型。結果隱含層的節(jié)點在9個。建立的CG