CN105184400A - 一种烟田土壤水分预测方法 - Google Patents
一种烟田土壤水分预测方法 Download PDFInfo
- Publication number
- CN105184400A CN105184400A CN201510547242.7A CN201510547242A CN105184400A CN 105184400 A CN105184400 A CN 105184400A CN 201510547242 A CN201510547242 A CN 201510547242A CN 105184400 A CN105184400 A CN 105184400A
- Authority
- CN
- China
- Prior art keywords
- vega
- soil moisture
- tobacco leaf
- growth phase
- prime
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种烟田土壤水分预测方法,该方法提出基于主元分析与径向基函数(radial?basis?function,RBF)神经网络的烟田土壤水分预测模型,首先对烟田土壤水分的影响因素进行分析,确定影响参数;然后利用主元分析法消除原始输入层数据的相关性,得到一组彼此不相关的新输入变量;最后将重构的训练样本空间作为RBF神经网络的输入,进行土壤水分预测,并通过实例仿真及比较分析表明该方法预测精度较高。
Description
技术领域
本发明涉及烟叶种植大田监控领域,更具体地,涉及一种烟田土壤水分预测方法。
背景技术
烟田土壤水分的变化对烟叶的生长、产量和烟叶香气质、量以及肥料利用率、烟株根系生长、土传性病虫害等都有很大的影响。因此,烟田土壤水分预测预报是烟草水土工程生产管理的重要依据,对烟区种植的规划尤其是确定施肥种类、数量以及烟草土传性病害预测预报具有重要的意义。
土壤水分是一个复杂的非线性耦合***,受外界环境等因素影响很大,在通常情况下,只有充分考虑影响其预测的各个因子,才能建立满足实际需要的预测模型。常用的土壤墒情预测模型有经验公式法、水量平衡法、土壤水动力学法、时间序列模型法等。这些方法在所需的边界条件都具备的情况下,大多数可以获得比较满意的结果,但在实际应用中存在以下问题:1)需要通过试验测定或通过统计分析得到符合条件的各种参数,由于自然条件千差万别,需要投入大量的人力物力,且建立的模型过于复杂,妨碍了模型的实际推广应用;2)传统水分预测模型需要输入的参数基本上是确定的,如果缺少其中的部分输入量,将严重影响模型的预测结果,而实际应用,多数参数很难获得,使模型难以应用。
近年来,为了建立理论基础坚实、形式相对简单、参数易于获得,并且能够满足实际需要的土壤墒情预测模型,许多学者采用神经网络方法对土壤水分预测进行了研究,并且取得一定的成果。由于神经网络不需要建立精确的数学模型,就能实现从输入端到输出端的非线性映射,因此在土壤水分预测中得到了广泛应用。目前,这些研究的特点与存在的问题有:1)大部分都是采用误差反向传播(backpropagation,BP)神经网络进行预测建模,而BP神经网络具有学习算法的收敛速度慢,模型的训练机时长,在训练过程中总体误差容易陷入局部极小等不足;2)影响土壤水分的因素种类众多且复杂多变,传统神经网络的预测方法是简单地把所有因素或人为地将部分主要因素作为神经网络的输入。但是,由于各冈素之间具有较强的相关性,如果简单地将所有因素人为简化或合并,会造成大量有用信息的丢失或重叠,从而影响预测精度。
发明内容
本发明提供一种预测精度较高的烟田土壤水分预测方法。
为了达到上述技术效果,本发明的技术方案如下:
一种烟田土壤水分预测方法,包括以下步骤:
S1:确定影响烟田土壤水分的参数;
S2:建立烟田土壤水分预测模型;
S3:收集样本数据,对建立的烟田土壤水分预测模型进行训练之后即开始进行土壤水分分析预测。
进一步地,所述步骤S1的具体过程如下:
利用土壤水分经验计算公式Q2=P'+I-S-ET-L+Q1,结合烟草生产实践经验,得到影响烟田土壤水分主要的参数变量有:烟田烟叶各生长阶段初单位面积的土壤贮水量—Q1,烟田烟叶各生长阶段末单位面积的土壤贮水量—Q2,烟田烟叶各生长阶段蒸散发量—ET,烟田烟叶各生长阶段平均气温—T,烟田烟叶各生长阶段降水—P',烟田烟叶各生长阶段日照时间—t,烟田烟叶各生长阶段灌水量—I,烟田烟叶各生长阶段径流量—S,烟田烟叶各生长阶段渗漏量—L。
进一步地,所述步骤S2的具体过程如下:
1)、对n×m的样本数据矩阵X标准化,X的每一列对应于一个变量,每一行对应于一个样本:
式中M=[m1m2···mm]为X的均值,s=[s1s2···sm]为X的标准差;
2)、对Xs进行主元分析得到 式中t1,t2,···,tm∈Rn为得分向量,p1,p2,···,pm∈Rm为负荷向量,并用前k个主元来代替数据中的主要变化即主成分,则X'近似地表示为
3)、令 利用径向基函数神经网络来对X'p分析处理得到预测模型:式中Ri(X')为隐层中的径向基函数,i为隐层的节点数目,i=1,2,···l,s为输出神经元的个数,s=1,2,···,h,Wis为第i个隐层单元到输出单元的权值。
进一步地,所述步骤3)中Ri(X')的计算过程如下:
式中ci为第i个隐层单元对应的径向基函数的中心,σi为第i个隐层单元对应的被感知器中心点宽度,用来调节网络的灵敏度,||X'-ci||为向量X'-ci的范数,表示X'与ci的欧几里德距离。
进一步地,确定第i个隐层单元对应的径向基函数的中心的具体过程如下:
设有A组样本数据,选取第j组输入向量,计算欧几里德范数:σi(j)=||X'(j)-ci(j-1)||2,找出与输入样本距离最小的中心cmin,调整中心为:
cmin(j)=cmin(j-1)+a(X'(j)-cmin(j-1))
式中a为学习速率,每学习一次,调小一次a,其他各中心向量维持不变,再计算调整后的欧几里德范数σmin(j)=||X'(j)-cmin(j)||2,重复中心和宽度的确定过程,使得训练样本距离该中心的距离最小,此时的c(j)即为中心。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出了一种基于主元分析与径向基函数(radialbasisfunction,RBF)神经网络的烟田土壤水分预测模型,首先对烟田土壤水分的影响因素进行分析,确定影响参数;然后利用主元分析法消除原始输入层数据的相关性,得到一组彼此不相关的新输入变量;最后将重构的训练样本空间作为RBF神经网络的输入,进行土壤水分预测,并通过实例仿真及比较分析表明该方法预测精度较高。
附图说明
图1为本发明方法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种烟田土壤水分预测方法,包括以下步骤:
S1:确定影响烟田土壤水分的参数;
S2:建立烟田土壤水分预测模型;
S3:收集样本数据,对建立的烟田土壤水分预测模型进行训练之后即开始进行土壤水分分析预测。
进一步地,步骤S1的具体过程如下:
利用土壤水分经验计算公式Q2=P'+I-S-ET-L+Q1,结合烟草生产实践经验,得到影响烟田土壤水分主要的参数变量有:烟田烟叶各生长阶段初单位面积的土壤贮水量—Q1,烟田烟叶各生长阶段末单位面积的土壤贮水量—Q2,烟田烟叶各生长阶段蒸散发量—ET,烟田烟叶各生长阶段平均气温—T,烟田烟叶各生长阶段降水—P',烟田烟叶各生长阶段日照时间—t,烟田烟叶各生长阶段灌水量—I,烟田烟叶各生长阶段径流量—S,烟田烟叶各生长阶段渗漏量—L。
进一步地,步骤S2的具体过程如下:
1)、对n×m的样本数据矩阵X标准化,X的每一列对应于一个变量,每一行对应于一个样本:
式中M=[m1m2···mm]为X的均值,s=[s1s2···sm]为X的标准差;
2)、对Xs进行主元分析得到 式中t1,t2,···,tm∈Rn为得分向量,p1,p2,···,pm∈Rm为负荷向量,并用前k个主元来代替数据中的主要变化即主成分,则X'近似地表示为
3)、令 利用径向基函数神经网络来对X'p分析处理得到预测模型:式中Ri(X')为隐层中的径向基函数,i为隐层的节点数目,i=1,2,···l,s为输出神经元的个数,s=1,2,···,h,Wis为第i个隐层单元到输出单元的权值。
进一步地,所述步骤3)中Ri(X')的计算过程如下:
式中ci为第i个隐层单元对应的径向基函数的中心,σi为第i个隐层单元对应的被感知器中心点宽度,用来调节网络的灵敏度,||X'-ci||为向量X'-ci的范数,表示X'与ci的欧几里德距离。
进一步地,确定第i个隐层单元对应的径向基函数的中心的具体过程如下:
设有A组样本数据,选取第j组输入向量,计算欧几里德范数:σi(j)=||X'(j)-ci(j-1)||2,找出与输入样本距离最小的中心cmin,调整中心为:
cmin(j)=cmin(j-1)+a(X'(j)-cmin(j-1))
式中a为学习速率,每学习一次,调小一次a,其他各中心向量维持不变,再计算调整后的欧几里德范数σmin(j)=||X'(j)-cmin(j)||2,重复中心和宽度的确定过程,使得训练样本距离该中心的距离最小,此时的c(j)即为中心。
以广东地区烟草生长的旺长期为例,选择的变量为:烟田烟叶各生长阶段初单位面积的土壤贮水量—Q1,烟田烟叶各生长阶段蒸散发量—ET,烟田烟叶各生长阶段平均气温—T,烟田烟叶各生长阶段降水—P',烟田烟叶各生长阶段日照时间—t,收集2010年至2014年38个样本数据,将其中33组数据作为训练样本,将最后5组作为测试样本。
将收集的33组训练样本数据进行主元分析。表1给出了原始样本数据经过主元分析后得到的主成分系数,表2给出了主成分贡献率、累计贡献率,表3为模型预测结果和与传统的BP预测进行的比较。
表1原始样本数据经过主元分析后得到的主成分系数
表2
主成分 | 特征值 | 贡献率 | 累计贡献率 |
PC1 | 2.198 | 55.9 | 55.9 |
PC2 | 0.9546 | 19.3 | 75.3 |
PC3 | 0.5216 | 11.0 | 86.2 |
PC4 | 0.4762 | 9.1 | 95.4 |
PC5 | 0.2451 | 4.5 | 100 |
表3预测结果
本发明首先对烟田土壤水分的影响因素进行分析,确定影响参数;然后利用主元分析法消除原始输入层数据的相关性,得到一组彼此不相关的新输入变量;最后将重构的训练样本空间作为RBF神经网络的输入,进行土壤水分预测,通过表3可以看出,该方法预测精度明显高于全要素传统BP神经网,该方法能够准确地反映烟田土壤水分的变化,对烟区种植的规划尤其是确定施肥种类、数量以及烟草土传性病害预测预报起到了一定的指导作用。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种烟田土壤水分预测方法,其特征在于,包括以下步骤:
S1:确定影响烟田土壤水分的参数;
S2:建立烟田土壤水分预测模型;
S3:收集样本数据,对建立的烟田土壤水分预测模型进行训练之后即开始进行土壤水分分析预测。
2.根据权利要求1所述的烟田土壤水分预测方法,其特征在于,所述步骤S1的具体过程如下:
利用土壤水分经验计算公式Q2=P'+I-S-ET-L+Q1,结合烟草生产实践经验,得到影响烟田土壤水分主要的参数变量有:烟田烟叶各生长阶段初单位面积的土壤贮水量—Q1,烟田烟叶各生长阶段末单位面积的土壤贮水量—Q2,烟田烟叶各生长阶段蒸散发量—ET,烟田烟叶各生长阶段平均气温—T,烟田烟叶各生长阶段降水—P',烟田烟叶各生长阶段日照时间—t,烟田烟叶各生长阶段灌水量—I,烟田烟叶各生长阶段径流量—S,烟田烟叶各生长阶段渗漏量—L。
3.根据权利要求1所述的烟田土壤水分预测方法,其特征在于,所述步骤S2的具体过程如下:
1)、对n×m的样本数据矩阵X标准化,X的每一列对应于一个变量,每一行对应于一个样本:
式中M=[m1m2···mm]为X的均值,s=[s1s2···sm]为X的标准差;
2)、对Xs进行主元分析得到 式中t1,t2,···,tm∈Rn为得分向量,p1,p2,···,pm∈Rm为负荷向量,并用前k个主元来代替数据中的主要变化即主成分,则X'近似地表示为
3)、令 利用径向基函数神经网络来对X'p分析处理得到预测模型:式中Ri(X')为隐层中的径向基函数,i为隐层的节点数目,i=1,2,···l,s为输出神经元的个数,s=1,2,···,h,Wis为第i个隐层单元到输出单元的权值。
4.根据权利要求3所述的烟田土壤水分预测方法,其特征在于,所述步骤3)中Ri(X')的计算过程如下:
式中ci为第i个隐层单元对应的径向基函数的中心,σi为第i个隐层单元对应的被感知器中心点宽度,用来调节网络的灵敏度,‖X'-ci‖为向量X'-ci的范数,表示X'与ci的欧几里德距离。
5.根据权利要求4所述的烟田土壤水分预测方法,其特征在于,确定第i个隐层单元对应的径向基函数的中心的具体过程如下:
设有A组样本数据,选取第j组输入向量,计算欧几里德范数:σi(j)=‖X'(j)-ci(j-1)‖2,找出与输入样本距离最小的中心cmin,调整中心为:
cmin(j)=cmin(j-1)+a(X'(j)-cmin(j-1))
式中a为学习速率,每学习一次,调小一次a,其他各中心向量维持不变,再计算调整后的欧几里德范数σmin(j)=‖X'(j)-cmin(j)‖2,重复中心和宽度的确定过程,使得训练样本距离该中心的距离最小,此时的c(j)即为中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510547242.7A CN105184400A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田土壤水分预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510547242.7A CN105184400A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田土壤水分预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184400A true CN105184400A (zh) | 2015-12-23 |
Family
ID=54906463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510547242.7A Pending CN105184400A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田土壤水分预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184400A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN107025505A (zh) * | 2017-04-25 | 2017-08-08 | 无锡中科智能农业发展有限责任公司 | 一种基于主成分分析和神经网络的水稻需水量预测方法 |
CN109115675A (zh) * | 2018-08-02 | 2019-01-01 | 贵州电网有限责任公司 | 一种基于主元分析法的土壤腐蚀性评价方法 |
CN110150078A (zh) * | 2019-05-27 | 2019-08-23 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和*** |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN118171089A (zh) * | 2024-05-16 | 2024-06-11 | 武汉大学 | 一种物理引导的非局部神经网络土壤水分预测方法及*** |
-
2015
- 2015-08-31 CN CN201510547242.7A patent/CN105184400A/zh active Pending
Non-Patent Citations (1)
Title |
---|
陈昌华 等: "基于PCA-RBF神经网络的烟田土壤水分预测", 《农业工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN106124449B (zh) * | 2016-06-07 | 2019-03-05 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN106651006A (zh) * | 2016-11-21 | 2017-05-10 | 中国农业大学 | 基于复数神经网络的土壤墒情预测方法及装置 |
CN107025505A (zh) * | 2017-04-25 | 2017-08-08 | 无锡中科智能农业发展有限责任公司 | 一种基于主成分分析和神经网络的水稻需水量预测方法 |
CN109115675A (zh) * | 2018-08-02 | 2019-01-01 | 贵州电网有限责任公司 | 一种基于主元分析法的土壤腐蚀性评价方法 |
CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
CN110150078A (zh) * | 2019-05-27 | 2019-08-23 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和*** |
CN110150078B (zh) * | 2019-05-27 | 2021-04-30 | 福建中烟工业有限责任公司 | 一种确定福建烟区烟草移栽日期的方法和*** |
CN118171089A (zh) * | 2024-05-16 | 2024-06-11 | 武汉大学 | 一种物理引导的非局部神经网络土壤水分预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
Navarro-Hellín et al. | A decision support system for managing irrigation in agriculture | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
Huo et al. | Artificial neural network models for reference evapotranspiration in an arid area of northwest China | |
Sudheer et al. | Estimating actual evapotranspiration from limited climatic data using neural computing technique | |
Hongkang et al. | Recurrent neural network model for prediction of microclimate in solar greenhouse | |
CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及*** | |
Tabari et al. | Utility of coactive neuro-fuzzy inference system for pan evaporation modeling in comparison with multilayer perceptron | |
WO2023179167A1 (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
Dai et al. | Artificial neural network models for estimating regional reference evapotranspiration based on climate factors | |
Skobelev et al. | Development of models and methods for creating a digital twin of plant within the cyber-physical system for precision farming management | |
CN113159439B (zh) | 一种作物产量的预测方法、***、存储介质和电子设备 | |
Kişi et al. | Generalized neurofuzzy models for estimating daily pan evaporation values from weather data | |
Shiri | Evaluation of a neuro‐fuzzy technique in estimating pan evaporation values in low‐altitude locations | |
Li et al. | Comparison of parameter uncertainty analysis techniques for a TOPMODEL application | |
Çakır et al. | Yield prediction of wheat in south-east region of Turkey by using artificial neural networks | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
Tan et al. | Comparison of the generalized likelihood uncertainty estimation and Markov chain Monte Carlo methods for uncertainty analysis of the ORYZA_V3 model | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
Li et al. | An Integrated Artificial Neural Network-based Precipitation Revision Model. | |
Baruah et al. | Use of data mining technique for prediction of tea yield in the face of climate change of Assam, India | |
Abbal et al. | A decision support system for vine growers based on a Bayesian network | |
CN109190810A (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
Fathi et al. | How can data mining help us to predict the influence of climate change on Mediterranean agriculture? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |