基于神经网络算法的精准施肥模型建立及仿真分析

黄 珍，刘 涛

（1.九江职业技术学院信息工程学院 江西，九江 332007；2.九江职业技术学院机械工程学院 江西，九江 332007）

引言

粮食保障是国民经济的重中之重，农业发展一直是我国的长久大计，农业持续发展，也伴随着一系列问题，例如农业生产周期长、成本高、农业产品品质参差不齐、化肥引发的环境问题等[1]。国家相关研究报告指出，我国的农业作物施肥利用率仅35%，而发达国家这一指标达到了65%，全国地下水硝酸盐含量超标50%，土地污染率近20%，数万亩农田受到重金属污染[2]。由于我国的土地施肥体量巨大，也造成了土壤肥力的下降和经济资源的浪费，长此以往会加剧生态环境污染问题[3]。

随着科学技术的发展，精准农业技术可以改善上述一系列问题，该技术根据土壤特质和农作物习性来进行土地精准施肥，可以严格控制施肥量。既能合理利用肥料资源，又有效抑制了土地富营养化程度，最终确保农产品的有效生长，有益于农业作物可持续发展[4]。精准农业这一技术是信息科学发展的产物，主要原理是根据农作物的生长习惯和土地的养分结构进行分析，合理利用化肥含量来保持化肥养分和农作物产量之间的关系，利用精确控制的手段对农作物进行科技化管理。精准农业的实施，不仅减少农业生产的成本投入，更促进农业产量的提升，极大地节省土地资源，使得生态环境得以改善并保持土地肥力[5]。

农业科技发展有着多年的历史，使用科学技术也解决很多农业问题。1988 年神经网络技术产生，它是由Moody 和Darken 等率先提出，是一种具有自适应结构且性能优异的径向基函数神经网络[6]。该算法可以通过将非线性问题引出线性空间，选择合适的算法解决实际问题，整个算法具有高准确性和高效率[7]。目前国内外对于农业技术的研究正如火如荼地进行，我国对于精准农业领域也开始展开研究，结合一系列实验数据顺利取得了多项农业研究成果，并开发出适用于不同农作物的农业科学系统，其中包括小麦、棉花、水稻和玉米等农作物培育系统[8]。我国的精准农业范围涉及施肥控制、农产品状态预测、产量预测、病虫害防治等方面，农业业务系统发展全面，具备良好的态势。

随着神经网络技术广泛应用于各行各业，在农业方面，可通过神经网络算法构建了生态农业、数字农业、精准农业等体系，精准农业很好的解决了施肥资源浪费的问题。刘永利等[9]在2010年构建了玉米精准施肥系统，这项成果也是基于神经网络研发而来；Minrui ZHENG[10]在2011年通过数据采集的方法收集整理了华北地区小麦和玉米等农作物的农业生产资料，利用大数据技术建立了农作物的精确施肥系统，根据地区土壤特性和农作物生产规律而改变施肥量，该系统便捷且高效；刘运韬等[11]在2015年利用BP神经网络开发出来测土配方施肥模型，其利用BP 神经网络对农机的总动力和年份的映射函数等进行相关研究，预测了农机总动力的组合情况，对农业技术的发展趋势进行了一定的预测。但是现有研究在种植密度与施肥量及产物的变化量之间的互相影响的研究中却并未给出较为严谨且可实施的方法，因此本文将着重展开对基于神经网络算法的精准施肥模型进行建立及仿真分析[12]，从而获得较优的参数组合。

1 材料与方法

1.1 试验地概况

试验地地处江西九江，该试验区年均温度为5.7℃，年降雨量为601 mm，有效的积温为2700℃。试验区地势平坦，常年雨量充沛，非常适合种植玉米。试验田前期均无做过施肥试验，且土壤具有较好的理化指标。

1.2 试验方案设计

在具体的试验过程中，为了更好的对施肥量和种植密度进行研究，在试验中选择种植密度、施N量、施P量等作为试验的相关因素，其中为了更好的响应玉米产量指标，我们将不同的参数作用在玉米产量影响的试验上，响应的指标数量越大则说明其研究的效果越好。试验方案如下：首先，将试验地分为15块研究区域，并对其进行随机排列；其次，采用大垄双行的种植模式对研究田进行种植；然后根据试验设计对种植的玉米进行科学管理，待作物成熟后对其进行收获、人工标识烘干、称重以及记录产量等，最终得出试验方案结果。

1.3 试验数据采集

试验前期根据具体的施肥特性对试验田进行详细的网络划分。具体操作为：试验田整体尺寸为40 m×60 m，然后将整块试验田依据4 m×4 m 的网络进行划分，并同时对划分的地区进行数据编号，从A1-A15 共分为15 块研究区域[13]。然后按照网络划分试验对每一块试验地进行试验数据的采集，采集的数据包括不同区域的土壤养分量数据、施肥量、玉米的预测产量等，最终采集得到的数据结果如表1所示。

表1 试验田采集试验数据表

2 BP神经网络模型结构设计

2.1 基于BP神经网络算法概述

BP 神经网络模型的创建与训练和BP 神经网络的全局优化这两种方式都是对于BP 神经网络的优化方式。BP神经网络的创建最开始需要知道构建模型的网络层数量，接着是神经元数量，掌握函数关系和数据归一化范围，最后对构建模型层级权重和极值设定初始值。整体流程是利用大量的实验，在实验数据的基础上进行训练，逐步构建学习型网络模型，直至训练产生的网络层神经元与实际要求精度之间的误差相差无几，在此过程后保存网络权重和极值来构建激励和响应非线性关系响应。

BP神经网络全局优化的基本思路为随机选取一个初始向量点X（0），判断其梯度是否为零，若为零则X（0）为最优解，反之则在一个步长的基础上重新沿梯度方向找随机点X（2），判断条件为是否满足约束，不满足则减半步长，重新选取X（t）（t 为迭代次数且取大于零的整数），此时注意步长的值，若为零则X（t）为最佳计算结果，结束计算过程；反之步长不等于零且X（0）劣于X（t）时，用X（t）替换X（0）来完成一次迭代过程，紧接着基于X（0）开展后面的一系列迭代计算；另一种情况为步长不等于零但是X（t）劣于X（0），将继续缩短步长来判断X（t+k）（k等于大于零的整数）是否取得优于X（0）结果，或者使得迭代终止。当X（t+k）满足优于X（0）的条件时，将X（t+k）替换X（0）实现一次迭代，随后基于X（0）进行后续迭代计算。

当X（1）与X（0）比较且满足约束条件，X（0）劣于X（1）时，通过加大步长的方式得到一个X（2），如果X（2）优于X（1）且满足约束条件，同上述步骤加大步长，直到X（t-1）优于X（t）或者约束条件不满足，然后将上一步骤得到的点用X（t-1）表示，完成一次迭代过程，用X（t-1）替代X（0）来进行后续迭代计算。当X（0）优于X（1）且X（1）符合约束条件时，通过缩短一半步长得到一个X（2），如果X（2）不符合约束条件，将继续执行步长减半操作，最终使得X（t）符合约束条件。当X（0）优于X（2）且X（2）符合约束条件，继续缩短一半步长来达到X（0）劣于X（t）或者迭代终止条件。如果X（0）劣于X（t），用X（t）替代X（0）实现一次迭代，最后基于X（0）执行后续迭代计算过程。

2.2 神经网络植密度和施肥量的数学模型建立

本文对于玉米种植密度和施肥量优化模型的设计利用三层BP神经网络来构建，分别包含输入层、隐含层、输出层。整体试验选取四个变量分别为玉米种植密度、施K2O 量、施P2O5量、施N 量，设置x1、x2、x3、x4 四个输入层神经元分别为种植密度、施N 量、施P2O5量、施K2O 量；另外采用一个目标函数，一个输出层神经元数量，玉米产量设置为变量y1，隐含层神经元数通过下列公式计算：

其中p、n 和q 分别为隐含层、输入层和输出层节点数，z为1～10的经验值，通过计算可知隐含层神经元数的大致范围在4～12之间，进一步网络性能测试确定其真实数量为7。图1展示了BP神经网络的详细结构。

图1 BP神经网络结构图

不管输入层到隐含层还是隐含层到输出层，单级Sigmoid函数都可以作为它们的传递函数，将种植密度、施肥量和产量三者之间结合得出目标函数关系式：

式中f（）代表BP 神经网络输入层到隐含层、隐含层至输出层的传递函数单级Sigmoid函数；X=[x1，x2，x3，x4]T 和Y=[y1]分别代表为输入向量和输出向量；F（X）、W 分别为输入与输出之间的关系和输入层与隐含层的权值矩阵；θ1、θ2和V分别为隐含层和输出层的阈值、隐含层与输出层的权值矩阵。

2.3 玉米种植密度和施肥量的全局优化

在构建具体模型时，首先使用神经网络对网络中隐蔽的激活函数进行一定的监测和选择，务必使用相匹配的激活函数进行综合构建，这样才能使构建的模型更加的稳定和精准[14]。经过一定的计算分析，本文选用高斯函数为本次试验中精准施肥模型构建的激活函数，具体函数形式如公式（3）所示。

经过相关计算可以得出具体的非线性的映射形式的方程为：

3 模型仿真及结果分析

在具体的试验中，对采集到的试验田数据进行分类概况，将样本数据中的土壤养分含量、实际的施肥量以及玉米的实际产量进行试验数据的分析，将无效的样本数据进行去除，保留有效信息共15个，并将有效的样本数据信息进行训练集的认证，10个进行验证集认证，10个进行测试集的认证。其10 次的BP 神经网络优化的计算结果如表2所示。

表2 10次BP神经网络优化结果

根据表2可以对BP神经网络的起始点和优化解进行研究，然后将训练稳定的数据模型应用到玉米产地的精准试验作业中，并对试验田中的玉米土壤信息进行精准施肥量的具体测试[16]，可以得出该试验田最佳的玉米产量为15209.48 kg/hm2。然后对构建好的系统BP模型的网络误差进行系统仿真，其最终仿真结果如图2所示。

图2 精准施肥模型网络预测误差

图2所表示的是神经网络算法精准施肥模型的网络预测误差图，从图中可以得到所构建的模型对于试验田土壤中N、P、K 含量的预测相对较为准确，且相对误差处在0.1%左右，其中较高的误差也只有0.25%左右[17]。因此从试验结果以及仿真结果中来看，可以较为明显的看出所构建的精准施肥模型所预测到的值与实际测量出的值基本处于吻合状态。利用BP 网络神经对实际试验田的玉米产量进行验证，结果如表3所示。

表3 基于BP神经网络优化的玉米产量结果验证表

因此可见，试验结果充分证明了所构建的模型在实际的预测中有着较高的拟合精度，误差范围较小，有着较高的预测精度。所构建的基于BP 神经网络算法的精准施肥模型在玉米的最终产量上有着较大的优势，完全可以满足农业生产的需求，提升农业水准。

3 讨论

通过对BP网络神经的模型结构进行构建及设计，确定了在玉米精准施肥过程中，神经网络的作用，很明显在产量上有着较为显著的差异性。其中BP 神经网络算法的构建，首先应该对其神经元的网络层以及数量进行综合确认比对，利用函数的归一化选择进行模拟量的构建，通过确定的模型层级和初始设定值对网络神经进行计算分析，最终便可得到适合本次研究的最终算法模型，并将其合理利用到相关的研究中。文中最终确定利用三层BP神经网络进行综合构建，将输入层、隐含层、输出层充分应用到设计之中，对试验田中玉米种植密度、施K2O 量、施P2O5量、施N 量4 种化学量进行检测，通过与最终的产量进行对比，确定了该模型的合理化与实用化。试验结果表明，所建立的模型在玉米种植产量中具有较高的拟合度，说明本模型的适用性和实用性。当前科学技术不断发展进步，可以合理的使用该模型进行农业生产，以此提升产能。

4 结论

信息技术大力发展，科学技术、人工智能充斥着各个领域，并且以更加迅猛的速度向前发展。这也影响到我国传统农业的发展，信息技术的发展促使农业技术转向现代科学的智慧农业技术。而在具体的农业技术中，施肥是其中的重中之重，对农作物的后期生长和产量起着决定性的作用，因此本文主要结合了BP网络神经元的计算方法对玉米的精准施肥模型进行了构建，可以在提高农作物产量的同时，也对当地经济的发展提供大力的技术支撑。

文章从具体的试验以及仿真出发，建立了基于BP神经网络的施肥模型，并对该模型进行研究，从研究结果来看，BP模型较传统单一的算法模型更具鲁棒性，在算法的稳定性和结果的精度方面都有着较为高质量的提升。通过具体的试验，系统性的对神经网络算法的精准施肥模型进行了相关的构建，并对其进行仿真分析。结果显示，所构建的模型在很大程度上有着精度高、效率高的特点，在解决非线性的相关问题时，收敛速度较为高效且具备较强的收敛性。通过具体试验仿真分析表明该模型在实际的农业生产中对土壤的拟合度有着较高的契合度，并且在玉米产量与精准施肥实施中能够起到辅助性的作用，完全可用于玉米产业的实际生产过程，为农业项目实施中的精准施肥提供高效可靠的技术依据。