基于神經(jīng)網(wǎng)絡(luò)的福建省水稻產(chǎn)量與土壤及氣象因子關(guān)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(jié)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?xiàng)l件下，品種產(chǎn)量主要是決定于生長的環(huán)境條件如光照時(shí)間、太陽輻射、溫度、水分和土壤等。在作物生長發(fā)育的關(guān)鍵時(shí)期，環(huán)境條件的異?？赡艽蟠笥绊懏a(chǎn)量，因此人們?nèi)找孀⒅丨h(huán)境條件對水稻生長影響的研究。 水稻產(chǎn)量的時(shí)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(diǎn)有很大的關(guān)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(guān)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(nèi)的南與北、沿海與內(nèi)陸、山地與平原的氣象條件相差很大；同時(shí)山地多，地形復(fù)雜，境內(nèi)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(chǎn)量與環(huán)境因子的關(guān)系可以獲得山區(qū)水稻最佳的栽培管理時(shí)期與栽培措施來避免災(zāi)害，提高產(chǎn)量。 近年來作物產(chǎn)量的模擬已經(jīng)成為農(nóng)業(yè)生產(chǎn)管理的重要研究方向。傳統(tǒng)的回歸或相關(guān)分析模型是在自變

3、量與產(chǎn)量之間分析得出統(tǒng)計(jì)關(guān)系，從技術(shù)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(yàn)，這些模型有時(shí)應(yīng)用效果并不好，而且這類模型需經(jīng)特別設(shè)計(jì)的試驗(yàn)后才能確定其中的關(guān)系，因而具有地點(diǎn)效應(yīng)，只對一時(shí)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(gè)非線性的自然過程。作物對農(nóng)業(yè)生態(tài)條件的反應(yīng)是不斷發(fā)生發(fā)展、復(fù)雜的非線性的關(guān)系，因此需要引進(jìn)新的數(shù)學(xué)模型，來確定作物產(chǎn)量與其它因子之間的關(guān)系

4、。人們已經(jīng)用一些非線性模型來研究這些關(guān)系，人工神經(jīng)網(wǎng)絡(luò)(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(gè)復(fù)雜的非線性的關(guān)系而不需要嚴(yán)格的樣本條件，不需要做任何假定或構(gòu)建數(shù)學(xué)方程，只需要訓(xùn)練樣本；與線性回歸相比，在作物產(chǎn)量的模擬過程中，ANN適用性更好，已經(jīng)越來越受到廣泛的應(yīng)用。 本研究收集福建省水稻品種區(qū)域試驗(yàn)(簡稱區(qū)試)16個(gè)試驗(yàn)地點(diǎn)多年間(1993-1999

5、，2000-2003)的氣象、土壤資料與水稻產(chǎn)量資料。氣象資料由本地收集，包括2-11月間的總降雨量、總?cè)照諘r(shí)數(shù)、總輻射、積溫、總風(fēng)速、6-8月的總?cè)照諘r(shí)數(shù)。土壤資料包括土壤含水量(％)、有機(jī)質(zhì)(％)、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(chǎn)量的關(guān)系，了解水稻產(chǎn)量形成過程中G×E互作效應(yīng)在年度、地點(diǎn)間的變化

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

7、18)；大多試點(diǎn)內(nèi)互作效應(yīng)值相對穩(wěn)定，但地點(diǎn)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(yīng)占當(dāng)年總互作效應(yīng)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(diǎn)每年均低于10％)。 2.水稻產(chǎn)量與土壤因子中的有機(jī)質(zhì)、堿解N、容重、孔隙度和CaCO<,3>含量等呈正相關(guān)，而與含水量、pH為負(fù)相關(guān)。影響產(chǎn)量的主成分因子

8、分別是土壤肥力、產(chǎn)量性狀、田間管理，土壤酸堿，而且土壤肥力因子貢獻(xiàn)率較大。產(chǎn)量逐步回歸方程的相關(guān)系數(shù)達(dá)0.9080。三種神經(jīng)網(wǎng)絡(luò)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(shù)地點(diǎn)表現(xiàn)利用GBP的模擬效果較好。 3.水稻產(chǎn)量與氣象因子中的水稻生長季節(jié)(2-11月)總?cè)照諘r(shí)數(shù)、總輻射、積溫、6-8月的總?cè)照諘r(shí)數(shù)等呈正相關(guān)，而與總風(fēng)速、總降雨量為負(fù)相關(guān)。影響產(chǎn)量的主成分因子分別是熱量、籽粒、田管和風(fēng)雨，而且熱量

9、的貢獻(xiàn)率最大。產(chǎn)量逐步回歸方程的相關(guān)系數(shù)達(dá)0.9574。三種神經(jīng)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(jié)果有差異。 4.水稻產(chǎn)量與土壤氣象兩個(gè)因子中的6-8月的總?cè)照?、有機(jī)質(zhì)、堿解N、總?cè)照諘r(shí)數(shù)、總輻射、積溫、容重、孔隙度、CaCO<,3>、速效P、速效K等都為正相關(guān)，而與總降雨量、總風(fēng)速和pH為負(fù)相關(guān)。影響產(chǎn)量的主成分因子分別是質(zhì)地、熱量、籽粒、風(fēng)雨和PK，而且質(zhì)地與熱量因子貢獻(xiàn)率較大。產(chǎn)量

10、逐步回歸方程的相關(guān)系數(shù)達(dá)0.9756。三種神經(jīng)網(wǎng)絡(luò)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(shí)，以BP模擬的結(jié)果最佳，地點(diǎn)間表現(xiàn)了差異性。 5.在調(diào)整了BP網(wǎng)絡(luò)的隱含層的節(jié)點(diǎn)，用混沌方法設(shè)定了網(wǎng)絡(luò)初始權(quán)值和用遺傳算法尋找最優(yōu)連接權(quán)值等影響模擬模型準(zhǔn)確度的參數(shù)后，建立了適應(yīng)于山區(qū)水稻產(chǎn)量模擬的BP網(wǎng)絡(luò)模型。結(jié)果隱含層的節(jié)點(diǎn)在9個(gè)。建立的CG