基于“3414”肥效试验建立BP神经网络寻优的新模型初探

Preliminary Study on Establishing a New Optimization Model of BP Neural Network Based on "3414" Fertilizer Efficiency Experiment

doi: 10.3969/j.issn.2096-7047.2024.02.008

廖红蕖 Hongqu LIAO , 孙美 Mei SUN , 王小丽 Xiaoli WANG , 陈耿嘉 Gengjia CHEN

1 上海化工研究院有限公司上海 200062 Shanghai Research Institute of Chemical Industry Co., Ltd., Shanghai 200062, China 2 上海化工院检测有限公司上海 200062 Shanghai Institute of Chemical Industry Testing Co., Ltd., Shanghai 200062, China

摘要：

针对上海市崇明滧东地区传统施肥方式不能满足水稻需肥规律的问题，以水稻“3414”肥效试验结果为数据来源，以N、P₂O₅、K₂O施用量为优化目标，建立3-7-1拓扑结构BP神经网络模型，通过遗传算法得到最优产量下的最优施肥配比。预测结果表明：当地较优的施肥配比是N、P₂O₅、K₂O的施用量分别为24.94、0.87、4.27 kg/亩(1亩=667 m²)，预计最高产量为531.5 kg/亩。通过验证试验，在较优的施肥配比条件下，水稻的实际产量为548.7 kg/亩，验证了BP神经网络模型预测结果的准确性。

关键词：

“3414”肥效试验; BP神经网络; 遗传算法; 参数优化;

Abstract：

In connection with the problem that traditional fertilization method cannot meet the rule of fertilizer requirement of rice in Yaodong area of Chongming District, Shanghai, a 3-7-1 topological structure BP neural network model is established based on the results of rice "3414" fertilizer efficiency experiment as the data source and the application amounts of N, P₂O₅ and K₂O as the optimization objective. The optimal fertilization ratio under the optimal yield is obtained by genetic algorithm. The predicted results show that the optimal fertilization ratio of N, P₂O₅ and K₂O in local area is 24.94, 0.87 and 4.27 kg/mu (1 mu=667 m²), respectively, and the highest yield is expected to be 531.5 kg/mu. Through validation experiment, the actual yield of rice is 548.7 kg/mu under the optimal fertilization ratio, which verifies the accuracy of the predicted results of the BP neural network model.

Keyword：

"3414" fertilizer efficiency experiment; BP neural network; genetic algorithm; parameter optimization;

科学施肥是提高肥料利用率的重要途径。目前有多种方式建立水稻施肥模型，但均有利弊。养分平衡法的主要模型为：肥料需要量=(目标产量×植物单位产量养分吸收量-土地面积×供应养分土层厚度×土壤容重×土壤速效养分含量测定值×校正系数)/(肥料养分含量×肥料当季利用率)，该法所需参数较多，计算结果的准确性较差，仍需依靠专家经验。肥料效应函数法需要大量的试验数据，并通过三元二次方程进行拟合，但三元二次方程拟合的成功率较低，拟合失败的数据通常被废弃，造成了人力、物力和财力的浪费。现有的一些施肥模型与当前生产实践相互矛盾之处较多，有时难以指导生产实践。

进入21世纪，随着计算机应用技术的大力发展，施肥方式由经验施肥逐渐转向计算机智能控制变量精准施肥，施肥数学模型及施肥决策系统也随着计算软件的开发越来越精确化。近年来，计算机BP神经网络施肥模型的出现，较好地解决了原有施肥模型存在的问题。纪文义等^[1]以施肥量和种植密度作为优化参数，建立BP神经网络模型，得到了大豆最优产量下的氮磷钾最优配比；冯国禄等^[2]利用BP神经网络探求施用不同种类春插面肥后，水分管理对春耕稻田营养成分流失的动态模型；赵天图等^[3]利用ZigBee技术建立起一套棉田自动灌溉系统，并利用BP神经网络建立监测预警模型，实现稳定监测并达到预警稳定的效果。另外，BP神经网络在水稻上的运用也涉及病虫害监测、营养成分诊断预测、气候变化与产量等方面^[4-10]。针对上海市崇明区滧东村当地水稻施肥模式，本文利用BP神经网络建立预测施肥模型，旨在为崇明滧东地区水稻施肥模型的建立提供新的思路。

1 材料与方法

1.1 数据来源概况

数据来源于2017年3—11月水稻“3414”肥效试验，试验地点为上海市崇明区滧东村，供试水稻品种为南粳46，供试土壤理化性状见表 1。

表 1

供试土壤理化性状

取土地点	w(有机质)/(g·kg^-1)	w(全氮)/(g·kg^-1)	pH	w(碱解氮)/(mg·kg^-1)	w(有效磷)/(mg·kg^-1)	w(速效钾)/(mg·kg^-1)
1号地	22.6	1.63	8.38	124.27	20.90	105.18
2号地	30.0	2.04	8.30	167.21	7.22	119.16
3号地	26.6	1.87	8.36	163.03	22.08	121.32

1.2 “3414”肥效试验设计

试验设置3因素4水平共14个处理。3因素指氮、磷、钾肥，4水平指每个因素施肥量为当地常规施肥量的0、0.5、1.0、1.5倍。试验设置3块地同时开展，每块地每个处理设3次重复，共126个小区，数据取3块地3次重复的平均值。小区呈长方形，面积为24 m²(4 m×6 m)，各小区间田埂包裹薄膜防止水肥互窜流通。小区周围设置保护行，每个小区设置标识牌标记小区号及处理编号。

1.3 施肥方案

磷、钾肥作为基肥一次性施入；氮肥分3次以追肥形式施入，每次施入量分别为20%、40%、40%。不同处理的施肥情况见表 2(1亩=667 m²)。

表 2

不同处理的施肥情况kg/亩

处理	N	折合尿素	P₂O₅	折合普通过磷酸钙	K₂O	折合氯化钾
N₀P₀K₀	0	0	0	0	0	0
N₀P₂K₂	0	0	4.50	37.50	4.50	7.50
N₁P₂K₂	13.75	29.89	4.50	37.50	4.50	7.50
N₂P₀K₂	27.50	59.78	0	0	4.50	7.50
N₂P₁K₂	27.50	59.78	2.25	18.75	4.50	7.50
N₂P₂K₂	27.50	59.78	4.50	37.50	4.50	7.50
N₂P₃K₂	27.50	59.78	6.75	56.25	4.50	7.50
N₂P₂K₀	27.50	59.78	4.50	37.50	0	0
N₂P₂K₁	27.50	59.78	4.50	37.50	2.25	3.75
N₂P₂K₃	27.50	59.78	4.50	37.50	6.75	11.25
N₃P₂K₂	41.25	89.67	4.50	37.50	4.50	7.50
N₁P₁K₂	13.75	29.89	2.25	18.75	4.50	7.50
N₁P₂K₁	13.75	29.89	4.50	37.50	2.25	3.75
N₂P₁K₁	27.50	59.78	2.25	18.75	2.25	3.75
注：1)处理中各下标“0”为不施肥，“1”为当地常规施肥量的0.5倍，“2”为当地常规施肥量，“3”为当地常规施肥量的1.5倍，下同；2)按尿素中含46%(质量分数，后同)N、氯化钾中含60%K₂O、普通过磷酸钙中含12%P₂O₅折合计算，下同

1.4 田间管理与测产

除施肥量不同，其余田间管理均按照当地栽培标准进行。测产时，每个小区分别收获，脱粒后称量，按照水稻现场验收测水分计算单产的方法计算产量，见式(1)^[11]：

图 1

$ 产量=实收产量×(1-实测水分含量)/(1-标准水分含量)/实收面积×667 $

2 结果与分析

2.1 不同施肥处理对水稻产量的影响

各处理产量统计结果见表 3。由表 3可知：未施肥处理的产量较低，说明肥料是水稻生长过程中不可缺少的养分来源；分析N₀P₂K₂、N₁P₂K₂、N₂P₂K₂、N₃P₂K₂处理可知，施用氮肥处理的产量明显大于未施氮肥处理的，随着氮肥用量的增加，水稻产量变化幅度不大，说明氮素是水稻生长发育的重要元素，对水稻产量起着重要的作用，但是氮肥的施用量并非越多越好，可能与其他两种元素存在协同作用关系；分析N₂P₀K₂、N₂P₁K₂、N₂P₂K₂、N₂P₃K₂处理可知，正常施磷处理产量最低，其他处理产量相差不大，1.5倍施磷处理产量最高；分析N₂P₂K₀、N₂P₂K₁、N₂P₂K₂、N₂P₂K₃处理可知，正常施钾处理的产量低于其他施钾处理的，其次是未施钾处理的，0.5倍施钾处理与1.5倍施钾处理的产量相同。综上可得，当地施肥配比不能很好满足水稻需肥要求，造成产量偏低，需要寻找一个合适的施肥配比来改善水稻种植模式。

表 3

各处理产量统计结果kg

处理	小区产量	亩产量	处理	小区产量	亩产量
N₀P₀K₀	15.16	350.43	N₂P₂K₀	19.93	460.78
N₀P₂K₂	14.22	328.85	N₂P₂K₁	20.17	466.30
N₁P₂K₂	19.38	448.19	N₂P₂K₃	20.17	466.30
N₂P₀K₂	20.14	465.79	N₃P₂K₂	19.47	450.25
N₂P₁K₂	19.94	461.04	N₁P₁K₂	20.27	468.75
N₂P₂K₂	19.27	445.49	N₁P₂K₁	20.22	467.59
N₂P₃K₂	20.17	466.30	N₂P₁K₁	20.59	476.07

2.2 BP神经网络建立与测试

2.2.1 模型构建

BP神经网络输入信号前向传递，误差反向传播，采用梯度下降法调整神经元的权值和阈值，以减小网络输出的误差，最后网络输出与预测输出的误差达到预先设定的误差收敛水平时，训练成功，得到最优网络权值序列。将训练好的网络对样本进行仿真预测，得到预测结果，算法流程见图 1。试验构建反向人工神经网络模型，将数据分为训练样本和测试样本，训练样本用于得到仿真模型，测试样本用于对模型的检验。

图 1

算法流程

此模型拓扑结构为α-m-β(输入层－隐含层－输出层)，将氮、磷、钾施用量作为输入层输入值，即α=3；产量作为输出层，即β=1；隐含层采用经验公式计算，见式(2)：

图 2

$ 产量=实收产量×(1-实测水分含量)/(1-标准水分含量)/实收面积×667 $

式中：m——隐含层节点数目；

α——输入层节点数目；

β——输出层节点数目；

σ——1~10之间的常数，此处取5。

据此，构建了3-7-1拓扑结构BP神经网络。

2.2.2 网络模型训练与预测

研究采用126个样本，运用随机函数抽取其中106个样本作为训练样本，20个样本作为测试样本。首先对数据进行归一化处理，之后采用Levenberg-Marquardt训练算法训练网络。设定BP神经网络训练次数为1 000次，学习速率为0.1，训练误差目标为0.000 001，预测结果见图 2和图 3。从图 2可看出，BP神经网络预测输出与期望输出很接近。从图 3可看出，预测输出与期望输出的误差小于25%，说明构建的BP神经网络有较好的精度和预测性，可以把网络预测输出近似看成函数实际输出，用此BP神经网络进行下一步的寻优。

图 2

BP神经网络预测输出

图 3

BP神经网络预测误差

2.2.3 遗传算法全局寻优设计

采用遗传算法进行全局寻优的大致步骤：首先初始化BP神经网络，输入数据进行训练；训练得到预测结果后，使用适应度函数模拟生物遗传过程，经选择、交叉、变异筛选出优秀个体；新的个体组成的新群体适应度相较于旧群体不断优化，趋于收敛，最终达到最优状态。

研究采用的遗传算法参数：迭代次数为100次，种群规模为20，交叉概率为0.2，变异概率为0.4，参数约束条件见表 4。优化过程中最优适应度变化曲线见图 4。从图 4可看出，经过40次迭代收敛，适应度曲线逐渐上升，最后趋于平缓，说明该种群已逐步达到稳定状态。得到的最优解为y=531.5、x=[24.94，0.87，4.27]，即N、P₂O₅、K₂O施用量分别为24.94、0.87、4.27 kg/亩时，预计最高产量可达到531.5 kg/亩。

表 4

参数约束条件

项目	施用量/(kg·亩^-1)
施氮(N)	0~41.25
施磷(P₂O₅)	0~6.75
施钾(K₂O)	0~6.75

图 4

BP神经网络最优适应度变化曲线

3 结果验证

3.1 试验设计

试验时间为2018年3—11月，试验地点为上海市崇明区滧东村，供试水稻品种为南粳46。试验按照N、P₂O₅、K₂O施用量分别为24.94、0.87、4.27 kg/亩进行施肥，折合尿素、普通过磷酸钙、氯化钾施用量分别为54.22、7.25、7.12 kg/亩。磷、钾肥作为基肥一次性施入；氮肥分3次以追肥形式施入，每次施入量分别为20%、40%、40%。田间管理与测产同上。

3.2 试验结果

验证试验产量为548.7 kg/亩，略高于BP神经网络模型预测的产量(531.5 kg/亩)，说明BP神经网络极值寻优预测模型具有较好的优化能力，预测值准确性较高。

4 结语

依据试验数据，建立了拓扑结构为3-7-1的BP神经网络，通过测试样本验证其具有较好的预测性和准确性。经BP神经网络及遗传算法优化，得出上海市崇明滧东地区水稻生产较优的N、P₂O₅、K₂O施用量分别为24.94、0.87、4.27 kg/亩，经验证产量为548.7 kg/亩，证明了BP神经网络预测的准确性。与当地常规施肥(27.5∶4.5∶4.5)相比，按优化配比施肥，在水稻产量不受影响的条件下，施肥量减少了17.6%。需要说明的是，此优化配比受当地土壤状况、上茬作物肥效利用情况、秸秆还田措施等影响，实际生产过程中的多种不稳定因素也会造成模型的预测结果出现偏差，神经网络模型还需随着验证时间的延长和次数的增加、数据的累积、多种模型的比较优化，才能更好地服务于农业生产。

ckwx 参考文献

纪文义, 陈海涛, 张继成, 等. 基于BP神经网络的大豆变量施肥模型研究与建立[J]. 大豆科技, 2013(4): 49-53.

冯国禄, 杨斌, 鲁栋梁, 等. 基于水分管理的稻田养分流失潜力分析及其拟合预测模型[J]. 江苏农业科学, 2018, 46(19): 335-338.

赵天图, 马蓉, 刘南江, 等. 基于ZigBee技术与BP神经网络的棉田自动灌溉控制系统设计[J]. 节水灌溉, 2016(11): 111-114.

付莲莲, 朱红根, 周曙东. 江西省气候变化的特征及其对水稻产量的贡献——基于"气候－经济"模型[J]. 长江流域资源与环境, 2016, 25(4): 590-598.

侯艺璇, 赵华甫, 吴克宁, 等. 基于BP神经网络的作物Cd含量预测及安全种植分区[J]. 资源科学, 2018, 40(12): 2414-2424.

周琼, 杨红云, 杨珺, 等. 基于BP神经网络和概率神经网络的水稻图像氮素营养诊断[J]. 植物营养与肥料学报, 2019, 25(1): 134-141.

孙小香, 王芳东, 赵小敏, 等. 基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型[J]. 中国农业资源与区划, 2019, 40(3): 35-44.

罗梦森, 景元书, 熊世为. 基于遗传优化BP神经网络的水稻气象产量预报模型[J]. 气象科学, 2012, 32(6): 665-670.

唐建军, 王映龙, 彭莹琼, 等. BP神经网络在水稻病虫害诊断中的应用研究[J]. 安徽农业科学, 2010, 38(1): 199-200.

刘庭洋, 李烨, 浦仕磊, 等. 基于BP神经网络的稻瘟病预测预报研究[J]. 西南农业学报, 2017, 30(7): 1546-1553.

姜心禄, 池忠志. 水稻现场验收测水分计算单产的三种方法比较[J]. 四川农业科技, 2008(1): 29.