神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用

1、    神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用    摘要：影響土壤的生長條件有很多種，例如氣候、土壤的特性以及農(nóng)作物的生長狀況等，這些因素都對土壤的墑情預(yù)測產(chǎn)生一定的影響。因此，在進行土壤墑情預(yù)測工作時，可以應(yīng)用神經(jīng)網(wǎng)絡(luò)的方法，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在對目前的土壤墑情預(yù)測模型的比較分析的基礎(chǔ)上，可以使用創(chuàng)新的神經(jīng)網(wǎng)絡(luò)法建立土壤墑情預(yù)測的模型，通過對數(shù)據(jù)的分析總結(jié)，了解神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中起到的重要作用，并在不同地區(qū)的土壤墑情預(yù)測中都有廣泛應(yīng)用。本文主要對神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用進行了詳細分析。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)法；土壤墑情；預(yù)測；應(yīng)用探析： s1

2、52.7 ： a doi編號： 10.14025/ki.jlny.2017.18.029對土壤墑情進行預(yù)測不僅是平衡農(nóng)田水分，實現(xiàn)土壤、植物、大氣三者的水分轉(zhuǎn)化的核心內(nèi)容，也是農(nóng)業(yè)生產(chǎn)的質(zhì)量和效率的重點研究部分。旱災(zāi)是主要的自然災(zāi)害之一，旱災(zāi)具有頻率快、時間長等特點。對于干旱的地區(qū)，通過對土壤的水分進行預(yù)測對比，使用有效的土壤水分預(yù)測方法，對于合理利用農(nóng)業(yè)天氣預(yù)報，解決干旱問題的意義十分重大。1 土壤墑情預(yù)測神經(jīng)網(wǎng)絡(luò)模型的建立1.1 神經(jīng)網(wǎng)絡(luò)模型的概述在傳統(tǒng)的土壤墑情預(yù)測模型中，如果只提供簡單的參數(shù)，那么模型則很難得到應(yīng)用，而且許多墑情預(yù)測模型都比較復(fù)雜，在實際應(yīng)用中很不方便，也存在一定的誤差

3、。因此，可以采用神經(jīng)網(wǎng)絡(luò)方法，通過建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對土壤墑情進行準確的預(yù)測工作。神經(jīng)網(wǎng)絡(luò)就是模擬人類思維的第二種方式。在神經(jīng)網(wǎng)絡(luò)模型中，bp網(wǎng)絡(luò)是應(yīng)用最為廣泛的模型之一。bp網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，可以學習和存儲許多輸入、輸出模式的映射關(guān)系，在各個領(lǐng)域都得到了廣泛的應(yīng)用。1.2 神經(jīng)網(wǎng)絡(luò)模型的建立bp網(wǎng)絡(luò)模型是一種前向多層網(wǎng)絡(luò)，主要由輸入層、多個隱含層以及輸出層構(gòu)成。每一層都有多個神經(jīng)元，同一層的各個神經(jīng)元之間沒有相互關(guān)聯(lián)，而相鄰的神經(jīng)元之間由權(quán)來連接。如圖1所示，三層的前饋網(wǎng)絡(luò)是最基本的bp網(wǎng)絡(luò)模型，也是應(yīng)用較為廣泛的。在實際的土壤墑情預(yù)測中，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

4、，如圖2所示。在圖2中，輸入層為影響土壤的墑情變化的主要因素，其節(jié)點數(shù)的個數(shù)由影響因素決定，而中間隱含層的節(jié)點數(shù)則根據(jù)模型的需要而決定，這三個層次的節(jié)點依次映射到下一個層次。對于各個層次之間的映射函數(shù)可以用可導(dǎo)的sigmoid函數(shù)表示：f（x）=1/1+exp（-x）由此可見，此模型具有極強的非線性映射能力。對于bp網(wǎng)絡(luò)的算法，由信息的正向傳遞和誤差的反向傳播等兩部分組成。在信息的正向傳遞時，信息從輸入層到隱含層進行計算，最終傳遞到輸出層，其神經(jīng)元的狀態(tài)只對下一層的神經(jīng)元狀態(tài)起作用。那么，如果輸出的數(shù)據(jù)不理想，就開始對輸出層的誤差數(shù)值進行計算，接下來進行反向傳播，從而利用計算機網(wǎng)絡(luò)，將誤差反向

5、傳播回各層的神經(jīng)元中，最終得到精準的數(shù)值。2神經(jīng)網(wǎng)絡(luò)法在土壤墑情預(yù)測中的應(yīng)用土壤墑情的主要影響因素包括：氣候、水分、土壤的特性以及農(nóng)作物的生長等，當對某一地區(qū)的土壤墑情進行預(yù)測時，就要充分考慮神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用，需要對影響土壤墑情的因素進行分組或者數(shù)值量化表示，對于普遍的結(jié)果進行模型的建立來分析土壤墑情。此外，可以使用圖2中地區(qū)土壤墑情的主要影響因素作為輸入層，對土壤墑情進行實際的計算測量，再與預(yù)測的結(jié)果進行比較，通過對土壤墑情的預(yù)測值和實際計算值的對比分析，可以很容易的看到一些非影響因素是否對結(jié)果造成了干擾以及最終參數(shù)的確定，建立神經(jīng)網(wǎng)絡(luò)模型時可以采用誤差的反向傳播法進行計算分析。通過以上分

6、析可以看出，神經(jīng)網(wǎng)絡(luò)模型法在土壤墑情的預(yù)測上有重要的應(yīng)用。神經(jīng)網(wǎng)絡(luò)具有自主學習的優(yōu)勢，可以自主的建立輸入?yún)?shù)和具有可調(diào)層數(shù)的bp網(wǎng)絡(luò)模型，這種自主學習的功能還對預(yù)測有重要的意義，因此神經(jīng)網(wǎng)絡(luò)方法在土壤墑情的預(yù)測中可以廣泛的應(yīng)用。此外，神經(jīng)網(wǎng)絡(luò)模型所使用到的參數(shù)在目標區(qū)域都很容易得到，在一定程度上方便了對土壤墑情的預(yù)測。3 結(jié)語以上對土壤墑情預(yù)測神經(jīng)網(wǎng)絡(luò)模型的建立，以及神經(jīng)網(wǎng)絡(luò)方法在土壤墑情預(yù)測中的應(yīng)用進行了分析，從中可了解到，在土壤墑情的預(yù)測中使用神經(jīng)網(wǎng)絡(luò)法，只需要將目標區(qū)域的土壤墑情影響因素進行分析，并且將各個影響因素進行分組，從中選出具有代表性的樣本進行神經(jīng)網(wǎng)絡(luò)模型的建立，從而得出期望的參數(shù)值，這樣就可以通過神經(jīng)網(wǎng)絡(luò)模型法對土壤的墑情進行預(yù)測。神經(jīng)網(wǎng)絡(luò)法具有廣泛的應(yīng)用，在土壤墑情預(yù)測中起到了重要的作用，應(yīng)該對bp網(wǎng)絡(luò)模型不斷的優(yōu)化完善，以保證土壤墑情預(yù)測的準確性及便利性。參考文獻1侯曉麗，馮躍華，吳光輝.基于人工神經(jīng)網(wǎng)絡(luò)土壤墑情動態(tài)預(yù)測模