作物模型论文（共7篇）
作物模型论文 篇1
作物管理知识模型集中体现了作物生长模拟模型和作物管理专家系统的优势与功能, 是数字化作物生产设计和管理决策的核心技术与智能支撑, 是信息农业和数字农业技术的研究前沿。以知识模型为基础建立的作物管理决策支持系统对于作物生产管理的信息化和现代化具有重大的理论和实践意义。进一步建立数字化农作系统模型及数字化种植设计系统, 将有助于实现农作系统预测、分析、调控、设计的数字化和科学化, 在信息农业和现代农业的发展中具有广阔的应用前景。
作物管理知识模型是当今信息农业与数字农业领域的核心技术和研究前沿, 具有重大的理论价值和应用前景。本研究将系统分析原理和数学建模技术应用于作物管理知识体系的表达, 通过提炼和解析作物生育及管理指标与环境因子之间的基础性关系和定量化算法, 构建了具有时空规律的作物管理动态知识模型及基于知识模型的作物管理决策支持系统, 为农作系统的数字化模拟与管理奠定了基础。
随着信息科学和农业科学的不断拓展和深入, 农业信息技术面临进一步的发展机遇, 呈现出多维的发展方向。其中, 信息农业关键技术的创新和应用将是农业信息化的基本动力和支撑, 而发展较快且前景广阔的主要技术有数据仓库技术、3S技术、动态模拟技术、人工智能技术、决策支持技术等。同时迫切需要将“3S”技术与农业信息系统、农业模型系统等进行耦合与集成, 构建数字农业技术平台与应用系统。
作物管理知识模型将会更多的与其他技术相结合, 提高其本身的使用价值。
一、与可视化技术及虚拟现实技术的结合
可视化技术主要运用计算机图像处理技术, 将复杂的科学现象和自然景观等图形化, 便于理解。虚拟现实技术, 是一种由计算机生成的高级人机交互系统, 构成一个可感知的计算机环境, 实现观测、触摸、操作等模拟实验。将作物管理知识模型与可视化技术及虚拟现实技术相结合, 有可能构建一个可感知的预测和现实作物生长实际状态的计算机可视化环境, 对于直观展示知识模型设计的生长指标动态及管理调控决策的实际生长效果等具有重要的现实意义和应用价值。
二、与遥感 (RS) 技术相结合
未来的遥感技术将朝着集多种传感器、多级分辨率、多谱段与多时相于一身的方向发展, 从而能以更快的速度、更高的精度源源不断地提供宏观、经济、实时的空间信息。如何科学合理地处理这些资料将是个大问题。作物模拟作为一种得力工具, 将在很大程度上取代传统的统计方法。
三、与全球定位系统 (GPS) 相结合
一种带有显示屏和数据处理器的GPS接收仪被装置在一台自走式的大型机械上。当机械手进入地块喷施肥料时, 显示屏可同时显示两幅彼此重叠的图像。一张是数字化地图, 标有各有关小区 (一般尺度为10m×10m) 的土壤信息, 如土类、氮磷钾含量、前季单株产量、当年单产指标等, 这些都是事先用CIS做好的:另一张是方格坐标图。可根据GPS讯号随时显示机械所在的小区位置。与此同时, 数据处理器可根据作物模型的计算结果, 自动给出每个小区的肥分配比和喷施量, 并向自动喷施机下达指令。同样的方法也适用于农药的喷洒。
以种植业而言, 今后的作物管理知识模型研究重点将是提高数字农作关键技术与应用系统的机理性、数字化、可靠性和通用性水平, 并研制出具有较强综合性和科学性的大型数字农业技术平台及软硬件产品。有关农作系统模型的构建表现为由局部到整体, 由经验性到机理性, 由智能化到数字化, 由功能化到可视化的发展态势, 重点是提高农作系统模拟模型的完整性和解释性, 改善农作管理决策的广适性和准确性。农业遥感技术表现为由遥感估产到品质监测, 由生长特征到生理参数, 由空中遥感到空地结合的趋势, 重点是提高农情信息无损获取的有效性、精确度及诊断调控的数字化和指导性。GIS技术表现为由单一功能到复合功能, 由单机版到网络版, 由应用系统到组件开发的趋势, 重点是改善GIS的组件化开发水平和高效集成能力。管理决策系统的研制则需要综合过程模型的动态预测功能, 管理模型的优化决策功能, 遥感技术的实时监测功能, GIS的空间信息管理功能, 进一步结合农作生态区划与生产力分析技术以及数据仓库和网络通讯技术等, 建立综合性、定量化和智能化的作物管理知识模型系统。
摘要：作物管理知识模型将信息技术与农业技术相结合, 用信息技术改造传统农业, 在国内外获得了广泛的应用, 集中体现了作物生长模拟模型的优势与功能, 通过国内外成功案例更加形象的体现了作物管理知识模型的应用前景。
关键词：作物管理,知识模型,前景
参考文献
[1]曹卫星, 朱艳.作物管理知识模型[M].北京:中国农业出版社, 2005.
[2]曹卫星, 罗卫红.作物系统模拟及智能管理[M].北京:高等教育出版社, 2003.
作物模型论文 篇2
关键词：作物模型,作物模拟,专家系统,虚拟现实
随着模拟技术和信息技术的快速发展,计算机在农业上的应用范围也日趋广泛,计算机建模理论和技术的发展已使作物生长发育模型由简单的系统发展为综合、复杂的人工智能系统。而以作物模型为基础的计算机模拟软件和与之相关的技术也迅速发展。把模糊知识获取算法、神经网络和遗传算法、Microsoft.net的软件技术、地理信息系统、GIS技术、数字图像处理技术、数据挖掘技术应用于现代农业技术中,采用先进适用的计算机技术进行集成,把农业的基本数据(土地类型、栽培品种、气象条件、灌溉方式等)全部输入计算机作为基础资料,进行施肥、灌溉、病虫害防治、田间作业等技术的智能化管理,是现代农业信息技术的发展方向。
1 作物模型及作物模拟的概念
作物生长发育模型(简称作物模型)是指用数学概念表达作物的生长过程[1]。Curry[2]认为作物生育模型应尽可能用数学公式描述动态过程,以替代用黑箱方法进行的最优估计。Sinclair和Seligman[3]提出,作物生育模型是借助于计算机手段对作物各种生长过程进行综合的数值模拟。曹卫星[4]认为,作物生育模型是以作物生育的内在规律为基础,综合作物遗传潜力、环境效应、技术调控之间的因果关系,是一种面向作物生育过程的生长模型或过程模型。
总之,作物生育模型能定量、动态地描述作物生长、发育和产量形成的过程及其对环境的反应。它是对气候、土壤、作物和管理复杂系统的简化表达形式,是采用系统分析的方法,综合作物生理、生态、农业气象、土壤和农学等学科的知识和研究成果,对作物生育和产量形成的试验结果加以理论概括与数据量化,建立作物生育动态及其环境之间关系的动态数学模型,应用计算机数值计算与模拟技术,实现描述和表达作物生产系统的运行状态和结果。借助于计算机手段实现这种模拟过程,是作物生育模型的一个重要特性[5]。
作物生长发育过程的计算机模拟(简称作物模拟)是近40年来迅速发展起来的一项新技术[6],将系统科学和计算机技术引入作物科学,根据作物生理学和生态学原理,通过对作物生长发育过程获得的实验数据加以理论概括和数据抽象,建立关于作物物候发育、光合生产、器官建成和产量形成等生理过程与环境因子之间关系的动态数学模型[7]。作物模拟具有解释能力强、应用面宽、可考虑众多因子的影响和易于控制等优点。
作物模拟和作物模型既紧密联系又相互区别。作物模型是指作物生长和发育系统与环境因子之间关系的一种逻辑上的数学表达;而作物模拟则包括模型的建立和操作,是一项技术总称[8]。
2 模拟软件的研发及涉及的关键技术
基于作物模型的计算机模拟软件的开发是同作物模型的建立紧密联系在一起的。模拟软件的开发是以模型为基础,而模拟软件反过来又验证模型的正确性,为模型的进一步完善和优化提供依据。
2.1 建模的基本原理
利用系统科学的观点,从生理学和生态学等入手,以计算机和数量方法为手段,用数学模型来描述作物生长过程与环境条件的关系,通过调控参数建立模型。模型计算方法一般沿着时间的前进方向,使植株各部分(根、茎、叶等)的状况(面积、重量、含糖量等)逐步因相互作用而变化,再现作物在生长时的进程[9]。
在建立模型时一般假设作物生产系统的状态在任何时刻都能够定量表达,该状态中的各种物理、化学和生理机制的变化可以用各种数学方程加以描述;同时假设作物在较短时间间隔(如1 h)内物理、化学和生理过程发生较大的变化,则可以对一系列的过程(如光合、呼吸、蒸腾、生长、扩散等)进行估算,并逐时累加为日过程,再逐日累加为生长季,最后计算出整个生长期的干物质产量或可收获的作物产量[10]。
2.2 建模的过程
具体建模过程如图1所示。
2.2.1 总体目标。
总体目标是建模的基础。通过调查研究,可以明确生产上存在的问题以及影响产量的主要因素,以便确定目标,提出相应的方案。
2.2.2 试验数据采集和分析。
数据及分析过程中所需的资料的获取主要有3个途径:(1)从已有的工作积累和文献中获取;(2)通过共享,从同行科学家获取相关资料;(3)通过补充性试验或支持性研究,获取全新的资料。
2.2.3 建立原始函数。
1个作物生长模拟模型是由以下几种要素的各种形式的组合构成:组成要素、参数、变量、函数关系、约束条件、目标函数。1个作物生长模拟模型的一般性结构可用如下数学关系描述:E=f(xi,yi)。式中,E为作物生长发育的效率;xi为可以控制的变量和参量;yi为不可控制的变量和参量;f是在产生E时xi和yi的关系。
2.2.4 模拟系统框架的设计和系统实现。
用计算机语言来表述作物生长发育过程中生理生态各因子的函数关系;通过田间试验或查阅文献资料获得作物参数;确定用以模拟的气象要素,包括与作物生长发育有关的气象要素,有日照长度、日最高气温、日最低气温、降水、湿度和风速等;最后将程序、作物参数、气象资料综合,即成1个完整的模型。
2.2.5 系统模拟运行、验证模型。
通过验证,可以了解模拟结果与真实系统的逼近程度,从而确认该模型的正确性是否在允许的误差范围内。验证方法有:(1)回顾检验,即将模型同相应的实际情况进行比较,看其是否与发生的事实相吻合;(2)全面改变真实系统中的参数,观察模型是否随之变化;(3)通过田间试验,考察试验结果与模拟结果是否一致。
2.2.6 调试改进模型。
找出导致模型与真实系统不一致的原因,进一步用试验数据来调整和修改作物参数,并分析作物生长发育的内在生理生态机理,对模型进行改进。模型的验证和调试改进有可能是一个长期的过程,在确定了一个合适的模型后要在具体生产实践中不断地对模型进行进一步的优化。
2.3 关键技术
2.3.1 优化技术。
由于涉及多种物理、生物、化学过程,作物生长模拟模型是典型的多变量、多参数、高度非线形、结构复杂的数学函数,优化作物生长模拟模型的结构和参数,必然是包含复杂函数关系和巨大解空间的复杂系统的优化问题,由于函数特征分析和提取本身的复杂性,传统优化方法对于模拟模型的优化无能为力[10]。而许多现代常用的优化方法都是以计算机技术为核心的,在考虑优化算法的实现难度和效率的基础上,充分利用计算机作为计算工具,结合作物模拟模型的特点,研究满足实际应用需要的优化技术。目前,使用进化计算来优化一些农业模型取得一定的进展,其中华东师范大学的戴春妮[11]使用遗传算法对作物生长模型进行优化,并对其进行改进,提出了种群竞争消亡算法,取得了较好的优化效果。
2.3.2 计算机视觉技术。
计算机视觉也称机器视觉,是模式识别与人工智能研究的一个重要领域,指计算机自动获取并分析图像,以获取描述1个景物或控制某种动作的数据,是研究利用计算机模拟生物外显或宏观视觉功能的科学和技术。计算机视觉系统由图像输入、图像处理、图像存储和图像输出组成,其核心是图像处理,即把由二进制数据给定的图像进行加工处理后输出为另外的图像或识别结果[12]。通过该项技术,将能够实现对植物形态结构的更快速、精确、非接触性地监测,以提供建模所需的数据。
2.3.3 数据挖掘技术。
所谓数据挖掘(Data Mining),是指对真实数据库(具有数据量大、不完全性、不确定性等特征)中数据所隐藏的、先前未知的及具有潜在应用价值的信息进行抽取,将被发现的能使用户理解的知识提供给客户,为用户提供决策支持。由于作物生长的过程是一个多变量耦合的过程,通过一些经典的、常用的方法来进行作物生长的预测与实际值之间往往存在着一定的差异。由于在试验中已经积累了大量的数据,了解这些数据对作物生长的影响作用,并可利用数据挖掘技术来寻找历史数据汇总隐含的规律,旨在充分体现变量之间的关系,以提高作物生长模型的准确性[13]。
2.3.4 人工神经网络技术。
近年来,人工神经网络以其良好的非线性逼近能力成为系统仿真的有效手段,可自动调整其内部连接权向量去匹配输入输出响应,具有良好的非线性品质、极高的拟合精度、灵活而有效的学习方式[13]。神经网络可用作“黑箱”的方法来模拟和预测生物系统内的关系,其模拟过程的数学关系不一定是已知的,网络可以通过多次重复学习过程,从输入与输出模型中演绎出这些关系。对比传统的作物生育动态模拟方法,B-P网络(误差后向传播神经网)模型在结果的有效性和输出响应的准确性2方面都能达到较好的效果,体现了拟合精度高、收敛速率快和泛化能力强等特点,是一种模拟和预测作物生育动态较好的方法[14]。
3 基于作物模型的计算机模拟软件的应用
作物生长模拟模型反映的是作物生长和发育的基本生理生态机理和过程,具有系统性、动态性、机制性与预测性,更重要的是其具有通用性,适用于任何地点、时间和品种,不受地区、时间、品种与栽培技术差异的限制。因而,基于作物生长模型的计算机模拟软件在诸多领域得到了广泛的应用。
3.1 在作物生产中的应用
3.1.1 评价作物生产潜力。
作物生长模拟模型的一个基本功能就是评价各种资源的作物生产潜力,包括草原牧草、森林树木、大田作物、园艺作物的光、温、水、肥生产潜力,揭示潜力开发中的障碍因素。如Savin等[15]利用CERESO小麦模型评价了阿根廷季风条件下小麦生产的潜力与策略,Wilson等[16]利用玉米生长模型评价了澳大利亚在冷凉气候条件下玉米的光温潜力。吴绍洪等[17]应用PS123作物生长模型对黑龙江海伦市玉米生产进行了潜力计算。
3.1.2 优化作物栽培技术。
许多模型中都包含有田间管理措施对作物生长影响的模拟内容。根据各种栽培措施下的模拟结果,可以模拟播种期、密度、灌溉时间和施肥量以及各种管理措施的组合对作物生产过程、最终产量和品质的影响,并通过该模拟制定播种、施肥、灌溉喷药等的管理计划,减少作物栽培方案优化中的田间试验年限和次数以及处理的数量。Hook利用CERESO玉米、SOYGRO和PNUTGRO模型分别研究了美国乔治亚洲玉米、大豆和花生在干旱年份的产量损失和灌溉策略。利用作物生育模型模拟作物栽培管理,可以此推荐适宜的战略或战术措施。
3.1.3 进行作物生产决策。
在作物模拟研究中,如果将作物模拟与作物栽培的优化原理相结合,就可以形成直接为作物生产服务的模拟优化决策系统。既可进行常年生产决策,也可进行当年生产决策,还可及时、方便地提供不断变化着的栽培模式图。充分发挥快速、准确、不受地区限制的优点,为作物生产决策提供可靠的信息。我国的高亮之[7]将研制的水稻生长模拟模型与决策系统结合,建立了水稻栽培计算机模拟优化决策系统RCSODS,用于指导长江中下游地区水稻生产。
3.2 在农业信息技术中的应用
3.2.1 与专家系统结合。
由于作物生长模拟模型的机理性、系统性以及结果的数据化,将作物模拟模型与专家系统相结合已经成为农业专家系统开发的主要途径。其技术路线是综合模拟模型的动态预测功能和专家系统的推理决策功能。实现方式:在专家系统给出初步决策方案的基础上,通过对特定环境条件和生产系统的模拟运行,预测系统的实际状态和走向,作为专家系统进行推理决策并制定调控措施的依据。专家系统可以在系统运行的任何时期调用和使用模拟模型的结果,同时又能为模拟系统设计下一阶段的基本生产方案。如美国的棉花模型GOSSYM与专家系统COMAX结合形成棉花栽培管理决策支持系统,已广泛应用于美国的14个植棉州的130多个农场中。作物生育模型与专家系统结合的方法有助于提高模型在生产上的应用效果,是今后模型应用与专家系统开发的重要方向。
作物模型与专家系统相结合,相互丰富和发展。专家系统是以专家知识库为基础的决策系统,如果能与作物模型库相结合,将会大大增加其通用性、机理性等;与气候变化系统相结合,评价气候变化对作物生产的影响;与地理信息系统(GIS)相结合,增强其应用于生产管理的能力;与作物品种选育过程相结合,通过模拟高代株系或品系的发育期、潜在产量和产量构成等,为育种工作者的筛选提供定量参考;与遥感技术(RS)相结合,利用遥感快速收集作物、土壤、天气等资料以进行作物产量预测和生产管理决策等;与全球定位系统(GPS)相结合,发展“精准农业”;推动农业信息化。
3.2.2 与虚拟现实技术结合。
虚拟现实技术是继多媒体技术之后的新一代人机系统接口技术。其综合了计算机图形技术、计算机仿真技术、传感技术、显示技术等多种科学技术的最新成果,以仿真形式建立真实反映事物变化及其相互作用的三维图形环境。以计算机为手段对植物生长进行建模与仿真,生成视觉效果上形象逼真的“虚拟植物”,将为探索植物生命的奥秘和生长过程的规律,以及改善人类生存环境质量带来新的契机。早期虚拟作物生长的研究方向主要是单纯的作物外观形态模拟,注重视觉效果的真实性,强调在教育、娱乐、商业和计算机辅助设计等领域的应用[18]。作物模拟模型已为全面描述作物生长过程中的生理生态提供了依据,应用虚拟现实技术进行虚拟作物生长的研究,是真实作物生长过程的模拟,注重植物学理论的真实性,相应地将应用领域扩展到农业生产研究中去。如在虚拟农田中进行虚拟试验,可部分替代在现实世界中难以进行的费时费力的试验[19];提高农业生产中各种资源的利用率,为精确农业技术应用提供指导。
4 结语
作物模型论文 篇3
根据以往经验分析,旱稻出苗—分蘖、分蘖—孕穗、孕穗—抽穗期作物耗水量对产量以及性状的影响至关重要。调亏灌溉旱稻产量性状试验设19个处理方案,主要研究3阶段作物灌溉水量对作物产量性状的影响,而产量的好坏通常是由千粒质量、有效穗、穗粒数来决定。为提出一个节水效率较高、产量较高的生物工程节水技术方案,必须准确反映水分在不同时期对产量性状的影响,通常都是建立各生育期供水充足程度XI=ET/ETm与产量比Y/ym之间的关系。其中,国际上用的比较多的有Stewart模型、Jensen模型、h.blank等几种模型[4,5,6,7];但考虑不同时期灌溉水量并利用统计回归模型和模糊数学来确定节水效率较高、产量较高的生物工程节水技术方案的还很少。本文将数学建模与模糊概率综合评价模型结合起来确定出一种理论上相对比较满意、产量较高的生物工程节水技术方案,可将很多对产量性状产生影响的因素的不确定性转化为确定性,这对试验结果和试验方案的优化具有重要意义[1,2]。
1 数据资料及研究方法
1.1 数据来源
试验在湖南农业大学资环院实验场地进行,整个生育期日期为出苗—分蘖 (5月2日-5月21日)、分蘖—孕穗 (5月22日-6月12日)、孕穗—抽穗 (6月13日-7月14日)、抽穗—乳熟(7月15日-8月19日)。试验品种为巴西陆稻IAPAR9,采用盆栽,灌溉期为121天。
研究方法采用多阶段—多水平,即出苗—分蘖期土壤水分含量为田间持水率的45%～55%,55%～65%,65%～75%3个处理;分蘖—孕穗期分为55%～65%,65%～75%,75%～85%3个处理;孕穗—抽穗期分为70%～80%,80%～90%2个处理。第4阶段不作试验处理,土壤水分保持在70%～80%。充分灌水处理(第19个处理方案)各阶段的水分含量为75%～85%,75%～85%,80%～90%,70%～80%。试验共设19个处理方案(1～19),其中设充分供水区作为对照。
1.2 数据资料
产量、千粒质量、有效穗,穗粒数与灌溉水量表,如表1所示。
1.3 研究方法
1.3.1 建立3个阶段灌溉水量与作物产量性状之间的统计回归数学模型
应用Matlab7.0(R14)软件进行计算,得到3个阶段灌溉水量与产量性状之间的拟合曲线和拟合多项式,用多元线性回归法和逐步回归法求出产量性状与3阶段作物灌溉水量之间的统计回归数学模型[2]。
1.3.2 模糊数学与统计回归模型的结合
以低产、中产、高产作为评判对象,产量、千粒质量、有效穗、穗粒数作为被评判对象的各因素,建立产量、千粒质量、有效穗、穗粒数属于低产、中产、高产的隶属度函数,并得到低产、中产、高产的判断集和模糊关系矩阵R,建立一级模糊概率综合评判模型,确定理论满意的旱稻高产节水灌溉技术方案。
2 结果与分析
2.1H1,H2,H3与产量Yc、千粒质量Yq、有效穗Ys、穗粒数Yz统计回归数学模型
分别以3个阶段灌溉水量H1,H2,H3为应变量,产量Yc、千粒质量Yq、有效穗Ys、穗粒数Yz为响应变量,建立合乎机理规律的统计回归数学模型,通过逐步回归和显著性检验找到对产量性状有显著影响的阶段灌溉水量[8]。
H1,H2,H3与产量Yc统计回归数学模型为
Yc=4.270 8-0.505 1(H2-0.468 7)4+0.989 3(H2-0.468 7)( H3-5.149 9)
二三阶段对产量的影响都比较显著。
H1,H2,H3与千粒质量Yq模型为Yq=28.585 9-1 324.59(H1-0.205 2)4,第一阶段的灌溉水量对千粒质量的影响比较显著。
H1,H2,H3与有效穗Ys模型为Ys =22.702 6+1.118 4(H3-4.818 8)+2.774 5(H2-0.436) (H3-4.818 8)。
可以看出,第二三阶段的灌溉水量对有效穗的影响比较显著。
H1,H2,H3与穗粒数Yz模型为Yz=103.98+14.346 5(H2-0.280 6)(H3-4.859 8)。
第二三阶段的灌溉水量对有穗粒数的影响比较显著。
2.2 模糊概率综合评判模型的确定与结果
2.2.1 确定V,U[9]
因素论域为U={产量,千粒质量,有效穗,穗粒数} 。
评判对象集合V={低产,中产,高产}。
计算得到系统聚类树如图1所示。
由此得到分类为{低产,中产,高产}时,各方案所属类型为
低产:{1} ;中产:{2 3 4 18 };高产{5 6 7 8 9 10 11 12 13 14 15 16 17 19}。
2.2.2 确定隶属度函数[1,9]
1)高产隶属度函数。产量高产隶属度函数为
undefined
千粒质量高产隶属度函数为
undefined
穗粒数高产隶属度函数为
undefined
有效穗高产隶属度函数为
undefined
2)中产隶属度函数。
产量中产隶属度函数为
undefined
千粒质量中产隶属度函数为
undefined
有效穗中产隶属度函数为
undefined
穗粒数中产隶属度函数为
undefined
3)低产隶属度函数。产量低产隶属度函数为
A1c(x) =1- A2c(x)- A3c(x)
千粒质量低产隶属度函数为
A1q(x)=1- A2q(x)- A3q(x)
有效穗低产隶属度函数为
A1ss(x)=1- A2ss(x)- A3ss(x)
穗粒数低产隶属度函数为
A1z(x)=1- A2z(x)- A3z(x)
2.2.3 由U→V确定的模糊关系矩阵R
模糊关系矩阵R为
undefined
=
undefined
2.2.4 求U上的权重模糊子集
经过对以往100次试验所得数据分析计算,确定A=(0.49,0.17,0.17,0.17),则一级模糊概率综合评判模型为B={ 0.49,0.17,0.17,0.17 }。
2.3确定理论满意方案及对应产量、千粒质量、有效穗、穗粒数
为找到一个在一定的灌溉水量下,产量较高、节水效率较高的生物工程技术方案,根据隶属度最大原则, 隶属度为1,从旱稻方面来考虑,只要满足1=X (0.49, 0.17, 0.17, 0.17)。
根据实际数据分析,如果有x=(1,1,1,1),则满足产量性状最优方案。实际上,极小解有很多,不是唯一一个[5]。
当X=(1,1,1,1)时,分别求得隶属度函数对应产量,千粒质量、有效穗以及穗粒数如表2所示。
结合产量Yc、千粒质量Yq、有效穗Ys、穗粒数Yz统计回归数学模型,经过选择计算,在满足H1,H2,H3都大于0的情况下,得到理论上经济产量比较高的旱稻节水灌溉技术方案如表3所示。
H0为播种—出苗期的灌溉水量
综合考虑高产下5～18,19共14个处理和理论相对满意方案,当A=(0.49 0.17 0.17 0.17)时,计算出每个处理对应的隶属度 B5,…,B19,则
Bi=(0.49 0.17 0.17 0.17)。(r1i ,r2i ,r3i ,r4i)T
根据隶属度最大原则,将隶属度由大到小排列,相对比较满意的处理依次为理论满意方案,第6,8,12,11,13,15,7,5,19,17,16,14,10,9个处理方案。
3 结语
1)统计回归模型认为分蘖—孕穗、孕穗—抽穗期的灌溉水量对产量、有效穗、穗粒数有显著性影响;对千粒质量有显著性影响的阶段为出苗—分蘖期。该模型能反映旱稻孕穗—抽穗期的灌溉水量对产量的影响最大,不能减少,分蘖—孕穗期的灌溉水量次之,可适当减少灌溉水量,但不能太多;出苗—分蘖期灌溉水量对产量的影响最小,可在出苗—分蘖、分蘖—孕穗期适当节水这一亏缺节水特性。
2)结合模糊数学建立对产量性状进行评价的一级模糊综合评判模型,确定出理论上相对满意的、产量较高、节水效率较高的生物工程节水技术方案,该方案土壤水分含量接近于7,8,11,12等4个处理。
3)利用模糊概率综合评判法对19个方案和相对满意方案的产量性状进行综合评判,得出高产满意方案依次为理论满意方案,第6,8,12,11,13,15,7,5,19,17,16,14,10,9个方案。
考虑不同时期灌溉水量并利用统计回归模型和模糊数学来确定一定的灌溉水量下、产量较高、节水效率较高的生物工程技术方案、并进行综合评判是可行的。
摘要：对调亏灌溉旱稻产量性状试验数据进行了分析研究,建立产量、千粒质量、有效穗、穗粒数与作物3阶段灌溉水量之间的统计回归数学模型,找出对产量、千粒质量、有效穗、穗粒数有显著影响的变量。建立了一级模糊概率综合评判模型,确定理论上满意的旱稻节水灌溉技术方案并进行综合评判,这对探索旱稻亏缺节水灌溉规律,提出一种节水效率较高、经济效益较好的生物工程节水技术具有重要的现实意义。
关键词：旱稻,统计回归,模糊概率,产量性状
参考文献
[1]杨纶标,高英仪.模糊数学原理及应用[M].广州:华南理工大学出版社,2004.
[2]陈仲生.基于Matlab7.0的统计信息处理[M].长沙:湖南科学技术出版社,2005.
[3]闻新,周露.MATLAB模糊逻辑工具箱的分析与应用[M].北京:科学出版社,2005.
[4]张祖莲.中稻水分生产函数及优化灌溉制度研究[J].节水灌溉,2001(6):20-22.
[5]盛锦山,曹桂兰.巴西陆稻在中国[J].世界农业,2000(8):18-20.
[6]金康书,钱秋平.巴西陆稻的应用价值及高产栽培技术[J].中国农业,2001(2):25.
[7]姚帮松,董成森.作物非充分灌溉研究进展[J].湖南农业科学,2003,7(4):42-44.
[8]丛湖平.统计学[M].北京:高等教育出版社,1998.
作物模型论文 篇4
当一个灌区种植多种作物时, 如何在一定水资源条件下, 合理安排作物的种植结构, 将有限的灌溉水资源分配到各作物之间, 使全灌区总收益最大, 是目前节水农业研究的重大课题之一[1,2,3]。随着研究的深入, 灌溉优化 模型越来 越复杂, 国内外对最优化灌溉模型的求解多采用动态规划法、随机动态规划法、遗传算法[4,5]、模拟退火算法[6]等等。但是, 这些方法都有自己的不足。动态规划容易出现维数灾的问题, 遗传算法常有早熟现象出现, 模拟退火算法有收敛速度慢、执行时间长的缺点。而粒子群算法 (PSO) 是源于对鸟类捕食行为的模拟, 容易理解, 涉及的参数少, 在许多优化问题中得到了成功的应用[7]。基于此, 本文首先建立基于多作物灌溉的优化模型, 为了更好的求解该模型, 在引入粒子群算法 (PSO) 的同时, 借鉴遗传 算法中杂交的 概念, 得到了基 于杂交的 混合粒子 群算法 (BreedPSO) , 能有效避免上述几种算法的缺点。并通过多个不同灌溉水量下的仿真计算, 得到各作物不同生育期内的灌溉水量, 为生产实践的应用提供理论依据。
1 多作物灌溉制度优化模型
假设在灌区内有多种作物, 则灌区总作物产量主要与各个作物每个生育阶段水分消耗量有关, 而水分消耗量又由土壤水分条件、作物生育期内有效降雨、灌溉水量等决定, 故多作物灌溉制度优化模型可以以总作物最高产量为目标函数, 土壤水分条件、作物生育期 内有效降 雨、灌溉水量 等作为模 型的约束条件。
1.1 目标函数
由于考虑多种作物的灌溉优化制度设计, 考虑以多种作物总产量作为模型的目标函数。而每种作物最终产量的形成是一个连续过程, 不同生育阶段的生产指标对最终产量都会有影响, 而且, 在实际农田灌溉过程中, 会对某些产量高、经济效益好的作物优先灌溉, 也就是在 灌溉时需 要考虑作 物的“性价比”。本文采用国际上公认比较合理完善的最终产量模型———Jensen模型作为目标函数的核心部分:
式中:j表示第j种作物;n表示作物的第n生育时期;Nj表示作物j的生育时期数;ETjn表示亏供水条件下作物j的第n生育时期的实际蒸发蒸腾量, mm;ETmjn表示在水分充足条件下作物j的第n生育时期的最大蒸发蒸腾量, mm;λjn表示作物j的第n生育阶段缺水对产量的水分敏感系数;Bj表示作物j的平衡系数, 且它由下式给出:
式中:Cj表示作物j的最高单 位产量, kg/hm2;Pj表示作物j的单位价格, 元/kg;Aj表示作物j种植面积;r表示参照作物。
1.2 土壤贮水量平衡方程
式中:Sjn, Sj (n+1) 分别表示作物j在第n生育时期始、末的计划湿润层土壤贮水量, mm;RFn表示在作物第n生育时期的有效降雨量, mm;djn表示作物j在第n生育阶段的灌溉水量, mm。
1.3 田间蒸散量的计算
田间蒸散量ETjn取决于大 气蒸发能 力、作物生长 状况以及土壤水分条件, 本文采用FAO推荐的彭曼 - 蒙特斯方法来计算蒸发蒸腾量 :
式中:Kj表示作物j的作物系数;ET0n表示参考作物蒸发蒸腾量。另外:
式中:Sj0表示作物j不产生水分胁迫的根系层临界土壤含水量, mm;Smin表示达到作物凋萎点时土壤含水量, mm。
1.4 约束条件
首先是决策约束:
式中:qjn表示作物j在第n生育时期 的可供灌 溉水量, mm;Q表示作物全生育期内的可供灌溉水量, mm。
另外, 界限约束为:
至此, 本文最终所建立的灌溉优化模型由目标函数式 (1) 和约束条件式 (2) ~ 式 (8) 构成, 它属于典 型的非线 性规划模型, 而粒子群算法已经被证明在非线性规划问题中有较好的应用[8]。
2 基于杂交的混合粒子群 (BreedPSO) 算法
混合粒子群算法指的是借鉴其他一些智能优化算法的思想而形成的粒子群算法。本文所提出的基于杂交的混合粒子群算法正是结合了遗传算法和粒子群算法各自的优点而形成的混合粒子群算法。
粒子群优化 算法 (PSO) 是由Kennedy博士和R Eber-hart[9]博士设计的一种仿生优化计算方法, 是一种全局进化计算技术。该算法源于对鸟类捕食行为的模拟, 它的基本思想是首先初始化为一群随机粒子 (随机解) , 然后粒子们就追随当前的最优粒子在解空间中搜索, 即通过迭代找到最优解。假设d维空间中的第i个粒子的位置和速度分别为Xi= (xi1, xi2, …, xid) 和Vi= (vi1, vi2, …, vid) , 在每一次迭代中, 粒子通过跟踪2个最优解来更新自己, 第一个就是粒子本身所找到的最优解, 即个体极值pbest, Pi= (pi2, pi2, …, pid) ;另一个是整体种群目前找到的最优解, 即全局最优解gbest, Pg= (pg1, pg2, …, pgd) , 在找到这两个最优解时, 粒子根据如下公式更新自己的速度和位置:
式中:w为惯性权因子;c1和c2为正的学习因子;r1和r2为0到1之间均匀分布的随机数。
借鉴遗传算法中杂交的概念, 在每次迭代中, 根据杂交概率选取指定数量的粒子放入到杂交池内, 池中的粒子随机两两杂交, 产生同样数目的子代粒子 (child) , 并用子代粒子替代父代粒子 (parent) , 得到基于 杂交的混 合粒子群 算法 (BreedP-SO) , 其基本步骤如下:1在解空间上随机初始化种群中各粒子的位置和速度。2评价每个粒子的适应度, 将当前各粒子的位置和适应值存储在各粒子的pbest中, 将所有pbest中适应值最优个体的位置和适应值存储在gbest中。3用式子 (9) 和 (10) 更新粒子的速度和位置。4对每个粒子, 将其适应值与其经历过的最好位置作比较, 如果较好, 则将其作为当前的最好位置。5比较当前所有pbest和gbest的值, 更新gbest。6根据杂交概率选取指定数量的粒子放入杂交池内, 池中的粒子随机两两杂交产生同样数目的子代粒子, 子代粒子的位置和速度计算公式如下。
保持pbest和gbest不变。7若满足停止条件 (运算精度或者迭代次数) , 搜索停止, 输出结果, 否则返回第三步继续搜索。
3 模型实例
应用所建立的灌溉 优化模型, 以西北某 灌区的实 验数据来求解和验证该模型。该地区春玉米、马铃薯、春小麦3种作物各个生育期内数据分别见表1、表2、表3。
春玉米、马铃薯、春小麦的粮食价格、最高产量和种植面积数据如表4。
应用基于杂交的混合粒子群算法 (BreedPSO) 求解灌溉优化模型, 求解时, 种群规模为N=100, 维数D=5, 学习因子c1=c2=2, 惯性权重w=0.7, 最大迭代步数取M=1 000次, 杂交概率取0.9, 杂交池大小比例取0.2, 参考作物取小麦, 最后求解得到各作物的最佳灌溉水量以及对应的最优目标函数值, 见表5。
相应于表5中各种作物的灌溉水量, 以春小麦为例, 它在每个生育期内的灌溉制度优化分配及产量见表6。
从表5可以看出, 随着灌区可灌溉水量的增加, 目标函数F2的值相应增加, 而且在3种作物中, 春小麦所分配得到的灌水量所占比例最高, 主要原因是由于春小麦在3作物中的“性价比”最高。另外, 当灌区可 灌溉水量 从550 mm增加到700mm时, 分配给春玉 米的灌溉 水量分别 为196、179、166、191mm;分配给马铃薯的灌溉水量分别为95、140、111、101mm;分配给春小麦的灌溉水量分别为259、281、373、408mm。在灌区可灌溉水量分配给3种作物后, 从表6可以看出, 春小麦在4种不同灌溉定额情况 下, 得到了每 个生育期 内的优化 灌溉水量, 总体上看, 在第三个生育期内 (抽雄 - 灌浆) 所配置的灌溉水量最大, 这是因为 春小麦在 此生育期 内的作物 敏感系数最大。
4 结 语
(1) 本文在考虑作物敏感系数、有效降雨量、土壤贮水量等因素的同时, 还考虑了作物的价格、产量、种植面积等因素, 最后建立了多作物、多约束的非线性灌溉优化模型。
(2) 本文利用当前流行的智能优化算法———粒子群优化算法 (PSO) 求解该模型, 同时还借鉴遗传算法中 杂交的概 念, 得到了基于杂交的混合粒子群算法 (BreedPSO) , 该算法克服了动态规划容易出现维数灾、执行时间长的缺点。
(3) 应用实例求解表明, 在非充分灌溉条件下, 模型能够很好地解决有限灌溉水量在多作物之间的分配问题, 而且对每种作物所分配的可灌溉水量在各自不同生育期内进行优化配置, 作物敏感系数大的生育期内所配置水量比例最大, 这符合实际农田灌溉规律。
摘要：我国北方地区灌溉水资源极度缺乏, 如何将有限的灌溉水资源有效分配到多种作物间是一个重要问题。为此, 在考虑作物敏感系数、有效降雨量、土壤含水量等因素的同时, 还考虑了作物的市场价格和单位产量因素, 建立了多作物、多约束的非线性灌溉优化模型。引入粒子群算法 (PSO) 时, 借鉴遗传算法中杂交的概念, 得到了基于杂交的混合粒子群算法 (BreedPSO) , 并应用实例进行计算, 求解结果表明该模型能很好解决多作物间灌溉水量优化配置问题, 同时也验证了该算法的有效性和可行性。
关键词：多作物,灌溉优化,粒子群算法,杂交
参考文献
[1]高琼.陕西渭北旱塬节水型种植结构优化研究[D].重庆:西南大学, 2009.
[2]马建琴.区域农业水资源优化模糊集分析及其应用研究[D].大连:大连理工大学, 2003.
[3]李霆, 康绍忠.农作物优化灌溉制度及水资源分配模型的研究进展[J].西北农林科技大学学报, 2005, 33 (12) :148-152.
[4]张兵, 张建生.基于遗传算法的西北旱区灌溉效益决策模型研究[J].节水灌溉, 2013, 61 (3) :61-63.
[5]霍军军, 尚松浩.基于模拟技术及遗传算法的作物灌溉制度优化方法[J].农业工程学报, 2007, 23:23-28.
[6]贾小丰, 卢文喜, 杨忠平, 等.基于模拟退火算法求解灌溉制度优化模型[J].节水灌溉, 2010, 8:64-68.
[7]张玲, 张治果.基于粒子群算法的水资源优化配置[J].水文, 2009, 29 (3) , 41-45.
[8]Allen R G, Pereira L S, Raes D, et al.Crop evapotranspirationguidelines for computing crop water requirements[M].Rome:FAO, 1998.
[9]Kennedu J, Eberhart R.Particle Swarm Optimization[C]∥Proc IEEE Int Cong on Neural Networks.Piscataway, 1995, 1942-1948.
作物模型论文 篇5
我国是一个农业大国,同时也是一个农业物害虫高发的国家,由此造成的经济损失巨大。对农作物害虫的发生进行预测,可有效地降低农作物害虫的危害,减少经济损失。但是由于农作物害虫的发生是一种复杂的自然现象,既具有有序的规律性和周期性,又具有不均匀性、差异性、多样性、突发性、随机性和复杂性等特点,使得对害虫灾害发生进行准确预测变得十分困难。
科研人员先后尝试利用回归分析[1]、逐步回归[2,3]、主成分分析[4]、多因子相关分析[5,6]、模糊数学[1,2,3,4,5,6,7,8,9]以及灰色系统分析[10,11]等方法对农作物害虫发生进行预测,但预测精度和效果都不是特别理想。近年来,随着人工智能技术的快速发展,研究人员尝试利用人工神经网络模型构建预测模型[12,13,14,15,16,17],并取得了良好的效果。汪四水等[12]研究人员利用BP人工神经网络原理,结合500pb西太平洋副热带高压和江苏省通州市稻纵卷叶螟发生程度的数据,建立稻纵卷叶螟发生程度预警模型;汪璇等[13]研究人员将人工神经网络、遗传算法和模拟退火技术相结合,提出了一个全新的水稻虫害智能预测模型。这些研究都取得了比较好的预测效果,但都还存在一些不足:一是在农业数据采集过程中存在大量由于人为、设备和仪器仪表精度限制等原因导致的误差,现有预测方法对这些误差一般都忽略不计,从而极大地影响了预测模型的稳定性和准确性。二是利用BP人工神经网络进行预测时,若输入因子少,导致其预测准确性低;若输入因子多,则BP人工神经网络运算量大,导致其预测结果得不到收敛。目前,基于BP人工神经网络建立的预测方法很难有效地解决这一矛盾。
为此,本文采用BP神经网络结合主成分分析构造了农作物害虫灾害发生预测模型。首先,针对农作物害虫发生的影响因子多及提取主要影响因子难度大等问题,将原来有较多的输入变量(影响农作物害虫发生的影响因子)进行主成分分析,利用线性变换得到一组个数较少的、彼此不相关的新输入变量,再用新输入变量作为BP神经网络的输入,从而简化了输入变量,提高了神经网络性能;同时,针对实验数据在收集、整理等环节中存在一定误差,造成数据不准确的问题,本文采用灰色关联度分析方法对实验数据进行处理,从而提高了数据的相关性;最后,对该预测模型进行了试报检验。检验结果表明,BP神经网络模型应用于农作物害虫灾害发生预测具有较高的预测精度和良好的泛化能力。
1 农作物害虫发生预测模型的构建
本文利用灰色关联度分析、主成分析方法以及BP人工神经网络技术,构建了农作物害虫发生预测网络模型,具体构建步骤如下:
第1步,利用灰色关联度分析方法计算原始数据之间的关联度,剔除差异较大数据。
1)对农作物害虫过去发生量的原始数据进行标准化处理,消除各数据间的量纲关系,使数据一致化,并将各指标的属性值统一到(-1,1)范围内。计算公式为
undefined
式中 x′ij—标准化矩阵的第i行第j列的数值;
xij—参与标准化矩阵的第i行第j列的数值;
undefined—参与标准化矩阵的第i列的平均值。
2)计算一级绝对差矩阵。其计算式为
Δi(k)=|X0(k)-Xi(k)| (2)
式中 Δi(k)—绝对差矩阵;
X0(k)—标准化矩阵的参照向量第k个值;
Xi(k)—标准化矩阵第i个向量的第k个值。
3)计算关联度系数矩阵。根据式(2)计算得到的绝对差矩阵Δi(k),计算关联度系数矩阵ζi(k)。其计算公式为
undefined
式中 ζi(k)—关联度系数矩阵;
Δi(k)—绝对差矩阵;
undefined—二级最小差;
undefined—二级最大差;
ρ—分辨系数,ρ∈[0,1],一般取ρ=0.05。
4)计算灰色关联度。根据式(3)计算得到农作物害虫过去发生量的原始数据之间的关联度系数矩阵ζi(k) ,计算出灰色关联度ri。其计算式为
undefined
式中 ri—灰色关联度;
ζi(k)—关联系数矩阵;
N—向量的维数;
第2步,对灰色关联分析法处理后的数据进行主成分分析,计算农作物害虫发生的影响因子的累计贡献率。
1)对农作物害虫发生的影响因子进行标准化处理,消除各数据间的量纲关系,使数据一致化。其计算公式为
undefined
式中 x′ij—标准化矩阵的第i行第j列的数值;
xij—参与标准化矩阵的第i行第j列的数值;
undefined—参与标准化矩阵的第i列的平均值。
2)计算农作物害虫发生的影响因子的相关系数矩阵。其计算公式为
undefined
undefined
式中 rij—标准化矩阵第i行与第j行的相关系数;
xji—标准化矩阵的第j行第i列的数值;
xik—标准化矩阵的第i行第k列的数值;
xj—标准化矩阵的第j行向量;
xk—标准化矩阵的第k行向量转置;
R—相关系数矩阵。
利用标准化后的数据计算影响因子相关系数矩阵,其计算式为
R=(rij)12×12 (8)
undefined(i,j= 1,2…,12;n=7) (9)
3)计算相关系数矩阵特征值、特征向量。经过式(6)和式(7)计算得到相关系数矩阵为R,其求解特征方程为
undefined
式中 R—相关系数矩阵;
λ—特征值;
E—单位矩阵。
得到相关系数矩阵R的特征值λ,每个特征值对应的特征向量为
Ai=(ai1,ai2,…,aip) (i=1,…,n)
计算前h个主成分占所有主成分贡献率。通过式(10)求得q个主成分(q≤n),第i个主成分的贡献率计算式为
undefined
式中 βi—第i个特征值对应的贡献率;
λi—特征值。
在q个主成分中,累计贡献率为前h个主成分占所有主成分的比例的计算式为
undefined
式中 ah—影响农作物害虫发生的累计贡献率;
λi—第组数据的特征值。
第3步,以主成分分析结果为输入因子的BP神经网络模拟,对农作物害虫发生量进行预测。
由于理论上已经证明了3层网络模型对步骤于非线性系统具有较好的建模能力,因此任一连续函数或映射均可由一个3层神经网络实现,所以本文选用3层BP网络构建农作物害虫发生量预测模型。模型包括输入层、隐含层和输出层3个部分。其中,在综合考虑影响斑潜蝇种群数的因素的条件下,将m个主成分作为输入层,输入层有m个神经元(即月年均气温、月最高气温、月最低气温、降雨量、蒸发量及相对湿度等因子);输出层为1个神经元,为预测的斑潜蝇种群高峰期预测发生量;传递函数选择undefined;隐含层神经元数为10个。本模型已将原来有较多的输入变量进行主成分分析,利用线性变换得到一组个数较少的、彼此不相关的新输入变量,再用新输入变量作为BP神经网络的输入,从而简化了输入变量,提高了神经网络的性能。
2 模型的应用及结果分析
本文利用设计的农作物害虫灾害发生预测网络模型,对云南省建水县的主要农作物害虫—斑潜蝇进行发生量预测,以检验模型的应用效果。斑潜蝇又称鬼画符,属于双翅目潜蝇科害虫。大约在1993年由巴西传入中国,目前全国各地均有发生。受危害的作物包括黄瓜、番茄、茄子、辣椒、豇豆、蚕豆、大豆、菜豆、西瓜、冬瓜和丝瓜等22个科110多种植物。预测模型具体计算步骤如下:
第1步,收集待预测的农作物害虫过去的发生量和影响害虫发生的影响因子的原始数据。
在云南省红河州建水县地植保站采集1999-2007年斑潜蝇发生量(植株感染率)历史数据,将各种蔬菜田的采样面积进行加权平均,得到斑潜蝇在蔬菜中的危害程度,采用植株感染率作为危害程度指标,如表1所示。
%
由于第1代斑潜蝇发生量与其发生时的气象信息关系密切,所以选取当地气象台同期观测的月平均气温、极端最高气温、极端最低气温及降水量等6项气象数据作为影响因子数据,如表2所示。
第2步,利用灰色关联度分析方法,计算原始数据之间的关联度,剔除差异较大数据。
首先,对农作物害虫过去发生量的原始数据进行标准化处理,消除各数据间的量纲关系,使数据一致化,计算结果如表3所示。
然后,分别对1级绝对差矩阵、关联系数矩阵及灰色关联度进行计算,得到1999-2007年与平均值的关 联度结果为[0.822 3 0.910 5 0.878 0 0.992 4
0.892 0 0.900 1 0.863 6 0.920 5 0.766 4]。由此发现,1999年和2007年的数据与其它年份数据的相关度差。把这两年数据排除掉,得到进行灰色关联度分析的数据,如表4所示。
第3步,对灰色关联分析法处理后的数据进行主成分分析,计算影响农作物害虫发生的影响因子的累计贡献率。
对标准化后的因素进行主成分分析,得到3个主成分累计方差贡献率达到99.08%,满足累计方差贡献率大于95% 的条件。3个主成分Y1,Y2,Y3的各因素关系式以及主成分的数值如表5所示。
由表5可得,第1个主成分中最大的两项为-0.421 1和0.411 1,是4月份的最高与最低气温;第2个主成分最大的项为0.299 2,-0.596 4和0.548 4,主要是3月和4月份的平均气温;由第3个主成分组成可以看到,主要是3月份的气象因子。由于斑潜蝇发育初期对温湿度的敏感程度较高,4月是斑潜蝇生长的高峰期,所以由主成分分析结果也可以得到相似的结论。因为第1个主成分的贡献率已达到50.47%,影响斑潜蝇发生的12个气象因子提取的3个复合因子Y1,Y2,Y3,累计方差贡献率达到90.59%。
第4步,利用BP神经网络,对斑潜蝇发生量进行预测。
将经过主成分分析后生成的权重最大要素作为输入变量,将标准化后的2000-2005年的第1代斑潜蝇发生高峰期发生量作为输出量,建立一个3层BP人工神经网络模型;然后,利用BP人工神经网络进行训练,并用2006年的数据对预测模型进行检验,得到预测值为60.6,实际发生量为64.9,比较符合实际情况,预测效果较好。神经网络训练过程误差图如图1所示。
3 结论
1)利用灰色关联度分析、主成分分析和BP人工神经网络相结合的方法,构建了农作物害虫发生量的预测模型。该模型利用灰色关联度分析方法,对农作物害虫发生量的原始数据进行处理,剔除掉误差数据,保证了预测模型的稳定性和准确性。
2)利用主成分分析法对BP人工神经网络输入因子进行处理,在保证信息不丢失的情况,减少了BP人工神经网络输入因子个数,有效地解决了利用BP人工神经网络进行预测时存在的如下问题:输入因子过少,导致预测准确性不高;输入因子过多,运算复杂,又导致预测结果得不到收敛。
3)模型具有较强的泛化性,可推广应用到其它病虫害的预测问题上。
摘要：针对农作物害虫灾害发生的差异性、突发性、随机性、多样性和不均匀性等特点,将人工神经网络、灰色关联度分析与主成成分析相结合,提出一个新的农作物害虫发生预测网络模型。首先,针对影响农作物害虫发生影响因子较多的问题,模型通过主成分分析方法将影响因子进行简化处理;同时,为了实验数据的相关性,采用了灰色关联度分析,排除实验与统计等方面的误差;最后,利用BP人工神经网络构建了农作物害虫发生预测模型,并以斑潜蝇为例,进行了试报检验。检验结果表明,模型应用于农作物害虫灾害发生预测具有较高的预测精度和良好的泛化能力。
作物模型论文 篇6
目前的作物种植结构优化模型通常集中在单目标的确定性模型,如梁美社等[5]基于虚拟水理论建立的地区种植结构优化模型,徐万林等[6]在非充分灌溉条件下建立的种植结构优化模型等,大都是以经济效益最大为目标建立的线性确定性优化模型。这类模型计算相对较为简单,但只是单纯实现了当前经济效益的最大,难以实现多目标的统筹发展。为了克服上述缺点,刘潇等[7]构建了模糊多目标线性优化模型来对民勤地区作物进行种植结构优化,李茉等[8]构建了双层分式规划的种植结构多目标优化模型对黑河中游甘临高三县主要作物进行了种植结构优化。虽然这些多目标模型实现了多因素的统筹发展,但并没有考虑不同水文年出现的随机性特征。本文将两阶段随机规划模型与分式多目标规划引入种植结构优化中,以期更好地反映种植结构优化中的不同水文年农业可用水资源的随机性并实现多目标的统筹发展。
1 分式两阶段随机优化模型原理
1.1 两阶段随机规划模型
在用数学模型解决实际问题的过程中,随机事件的发生会很大程度上影响我们的决策结果。为体现决策问题中随机事件对决策的影响,逐渐发展出两阶段随机规划模型。两阶段随机规划模型是线性的期望值模型,其基本思想是追索。即如果第一决策阶段制定的决策被违反,在第二决策阶段将有相应的惩罚被追加,依此对政策进行纠正,可以减少随机信息带来的决策失误和损失[9]。模型具体表达式如下:
目标函数:
式中:X1,X2为第一、第二阶段决策变量;C为第一阶段决策收益;Pk为随机事件发生概率;L为随机事件发生后的惩罚;k为不同随机事件。
1.2 线性分式规划模型
在有些决策制定过程中,有时决策者会希望在满足一些条件的情况下整个系统可以达到最大的效率。而分式规划模型可以很好的反映研究对象的效率问题[10]。分式规划的上下层均含有决策变量,其不仅反映效率问题,其实质上也是分子分母两个模型之间的均衡。典型的分式规划模型表达式如下[11]:
式中:A是一个m×n的矩阵;X和b分别是n维和m维的列向量;c和d分别是n维行向量;α和β是参数。
2 基于分式两阶段随机优化模型的地区作物种植结构优化模型
针对不同水文年可用水量出现的随机性特征,本文基于线性分式规划和两阶段随机规划模型建立分式两阶段随机优化模型来对地区不同水文年情境下的作物种植结构进行优化。该模型该模型将分配给农业的有限水资源量合理、优化的分配给研究区域不同作物。所建立的模型如下:
目标函数:
约束条件:
(1)可用水量约束:
(2)粮食安全约束:
(3)允许缩减面积约束:
(4)非负约束:
式中:f为作物在5个水平年的单方水效益期望值,元/m3;f1为5个水平年种植作物经济收益期望值,元;f2为5个水平年种植作物用水量期望值,m3;i为研究区域作物种类;k为不同水文年;Ai为作物i的第一阶段决策种植面积区间,hm2;Ri为作物i单位面积净收益Ri=YiBi-Ci,元/hm2;Yi为作物单位面积产量,kg/hm2;Bi为作物单价,元/kg;Ci为作物i单位面积种植成本,元/hm2;pk为不同水文年出现的概率;Li为作物i惩罚系数,元/hm2;A′ik为作物i在第k个水文年的缩减面积,是第二阶段决策变量,hm2;Mi为作物i的灌溉定额,m3/hm2;η为地区灌溉水利用系数;Qk为第k个水文年农业可用水量,m3;Di为i作物社会最低需求量,kg。
模型将不同水文年不同农业可用水量看作为随机变量,并选定2个目标函数,即地区种植作物的经济效益的期望值f1最大与地区种植作物所耗费的水量期望值f2最小。收集模型所需数据后输入LINGO软件进行编程求解。
3 实例应用
3.1 研究区域
本文选取甘肃省武威市民勤县为研究区域。民勤县地处河西走廊东北部,石羊河流域下游。总人口31.5万,面积1.59万km2,其中各类荒漠化土地面积150万hm2,占总面积的94.51%。年均降雨量113 mm,蒸发量2 644 mm,是中国境内最干旱、荒漠化危害最严重的地区之一。近年来,随着石羊河上游来水量的减少和地下水位的逐年下降,水资源短缺逐步成为限制民勤经济、社会发展的瓶颈[12],水资源供需矛盾日益突出。根据《石羊河流域重点治理规划》的总体安排,要在保障生活用水与基本生态用水的前提下,满足工业用水,调整农业用水。而要调整农业用水,优化当地的作物种植结构、提高种植作物的单方水效益就势在必行。民勤县包括3个灌区,红崖山灌区,环河灌区和昌宁灌区,其中红崖山灌区有效灌溉面积占整个民勤灌区的92.8%。民勤县主要种植作物有小麦,玉米,葵花,蔬菜和棉花,这五种作物占了全部作物种植面积的75%,本次研究选择这5种作物为典型作物进行研究,故以农业可用水量的75%作为此次进行种植结构优化可用水量。根据蔡旗断面1956-2014年的径流资料使用皮尔逊Ⅲ型曲线进行经验频率的拟合,得到研究区域不同水文年的可用水量。把2014年作为研究现状年,根据《2014年民勤县国民经济和社会发展统计公报》可以得到各部门的耗水量,工业、生活、生态用水量分别为587、1 139、9 161万m3。即非农业需水为10 887万m3。将3县总可用水量减去非农业部门的需水,即可得到3县在不同水文年农业可用水量,见表1。
3.2 研究区域种植现状
种植面积与产量数据引自《武威统计年鉴》,农产品价格来源于中国农业信息网(http:∥www.agri.com.cn/)、食品商务网(http:∥www.21food.cn/),灌溉定额引自《甘肃省用水定额》。由于粮食作物单位面积净收益远低于经济作物低并且耗水量巨大,本研究对于重要作物设置较高惩罚系数进行平衡。
根据《2014年民勤县国民经济和社会发展统计公报》,民勤县常住人口为24.11万人,依该地区实际情况设定人均年最低粮食需求400kg,其中小麦250kg,玉米100kg。蔬菜需求量根据《中国居民膳食指南》[14]平衡膳食的设定,蔬菜每天每人应摄入300~500g。对2009-2014年间作物产量进行统计后发现,小麦需要进口,由于粮食进口超过总需求的50%以上可能会带来粮食安全问题和社会不稳定现象[13],查询当地历年产量状况,可知小麦产量不能满足当地的粮食需求,故设置小麦外调系数为30%作为当地小麦产量的最低需求。葵花、棉花使用近20年的最低产量作为最低产量的约束。以上共同构成了构成地区作物的粮食安全约束。民勤县主要农产品现状见表2。
3.3 种植结构优化决策结果及分析
将数据输入模型并使用全局求解器求解,得到5个水文年各作物的第一阶段决策面积与不同水文年出现后的决策缩减面积,经过计算可以得到不同水文年的优化种植面积见表3。
由表3可以看出,在进行优化后,较丰年与丰水年作物的总耗水量都不会达到所提供的农业可用水量的全部水量,这是因为分式规划中需要实现效率与效益兼顾的目标,并且优先实现效率最大目标,所以虽然还有可用的水量可以用于种植作物,但受到作物的单方水效益和种植面积的影响,余下的水量将不会继续分配。同时也注意到优化结果中较丰年与丰水年的优化结果相同,导致这种情况发生的因素一方面是因为作物间的单方水效益差距过于明显。受到作物产量、市场价格、灌溉定额等方面的影响,蔬菜与葵花的效益要较其他作物高出很多,当这两种作物种植面积达到最大后,若种植低效益的作物会使得整体的单方水利用效率下降,故不再种其他作物;而另一方面,目标函数为期望值模型,丰水年的发生概率较其他水文年低很多,所以这就使得丰水年作物的种植结构较其他水平年影响较小。从优化结果中可以看出,因为不同水文年的影响,不同可用水量出现时,蔬菜是该地区主要“弹性作物”,当水量不充足时,为保证粮食安全,可以优先减少蔬菜种植面积。当水量充足时,种植更多蔬菜会得到更大经济效益。当水量足够充分,蔬菜种植面积达到上限时,应当适当增加葵花种植面积以达到在最小用水量的基础上获得最大经济效益。
为检验决策结果的合理性,选取2014年种植现状与优化结果进行对比。查询《2014年民勤县国民经济和社会发展统计公报》可知,蔡旗断面过水量为3.19亿m3,接近较丰年水平。对比现状种植结构与优化结果,并计算2014年民勤县5种作物总收益及其他指标对比优化结果,结果见表4。
根据优化决策建议,现状种植的玉米、葵花、棉花种植面积需要进行缩减,而小麦种植面积不能满足目前的社会粮食需求,需要适当增加,蔬菜种植面积也需要增加。这样可以在满足粮食安全和社会稳定基础上增加种植这几种作物的收益。现状种植面积比优化结果种植面积多出50.68%,耗水量多出36.91%,但现状水平年的种植收益比优化结果少0.33亿元,即优化结果可以在减少种植面积和总耗水量的情况下增加种植这些作物的收益。并且可以看出,在这2种种植方式下5种作物的单方水效益差距明显。
4 结语
作物模型论文 篇7
作物腾发量的研究是节水农业的重要内容,对水资源规划和陆地水文学的研究具有重要意义[1],参考作物腾发量是估算作物腾发量的基础,是各种气象条件对作物腾发量影响的综合反映,参考作物腾发量的预测研究为实时灌溉预报提供参考,也为拟定渠系动态配水计划提供合理依据[2]。
在参考作物腾发量预测方面,通常对多个自变量(气象因子)与因变量(ET0)之间进行回归分析,建立回归预测模型。常用的回归方法有权重回归和逐步回归及多元回归方法。这些传统的多元回归方法,一般要求数据满足一定的数学分布,数据间有典型的统计规律,并且在自变量之间以及因变量之间都存在较严重的多重线性相关时,如果采用一般的多元回归方法,其分析结果的可靠性较低。而采用偏最小二乘回归(PartialLeast-Squares Regression,简称PLS)分析的建模方法,可以很好地解决这些问题。采用偏最小二乘回归有效地解决了自变量的多重线性相关问题,但对处理因变量与自变量间复杂的非线性问题较差。投影寻踪回归模型(projection Pursuit Regression,简称PPR)有效地解决了因变量与自变量间复杂的非线性问题,因此,提出了基于偏最小二乘回归的投影寻踪耦合模型(projection Pursuit based on PLS,简称PLSPP),并用基于实数编码的加速遗传算法来优化投影指标函数从而使模型精度、稳健性、实用性都得到提高[3]。
1 基于偏最小二乘回归的投影寻踪耦合模型建模的具体过程
投影寻踪回归模型为基于Hermite多项式的投影寻踪回归模型,具体过程为:
(1)步骤1。建立偏最小二乘回归模型提取成分。设有因变量yi(i=1,2,…,n)和p个自变量{x1,x2,…,xp},观测n个样本点,构成自变量与因变量的数据表X=[x1,x2,…,xp]n×p和Y=[y]n×1。偏最小二乘回归分别在X和Y中提取成分t1和u1,在第1个成分t1和u1被提取后,偏最小二乘回归分别实施X对t1的回归以及Y对t1的回归,如果回归方程已经达到满意的精度,则算法终止;否则,将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息进行第2轮的成分提取[4,5,6,7]。如此往复,通过交叉有效性判别,直到能达到一个较满意的精度为止,最终对X共提取了d个成分t1,t2,…,td[8,9]。
(2)步骤2。由步骤1提取的d个成分t1,t2,…,td计算投影值:
式中:aj为投影方向;tij已进行归一化处理。
(3)步骤3。对散布点(z,y),用基于正交Hermite多项式拟合,此时基于偏最小二乘回归的投影寻踪耦合模型为:
式中:r为多项式阶数;c是多项式系数,可用最小二乘法获得;h表示正交Hermite多项式。
(4)步骤4。优化投影指标函数。在优化投影方向a时,同时考虑多项式系数c的优化问题,可以通过求解投影指标函数最小化问题来估计最佳a,c值,即:
用传统的优化方法处理较难,本文采用基于实数编码的加速遗传算法来优化投影指标函数。
(5)步骤5。计算第1次拟合残差如果满足要求则输出模型参数,否则,进行步骤6计算。
(6)步骤6。用r1代替y,回到步骤1开始下一个岭函数的优化,直到满足一定要求,停止增加岭函数个数,输出最后结果[10]。
2 PLSPP模型在ET0预测中的应用
2.1 基本资料
本文根据朝阳气象站1996-2006年气象资料,气象资料包括:x1(月平均最高温度,℃),x2(月平均最低温度,℃),x3(月平均温度,℃),x4(月平均相对湿度,%),x5(月平均日照时数,h),x6(月平均风速,m/s),x7(月平均降水量,mm),x8(月平均蒸发量,mm),y(月参考作物腾发量,mm),建立朝阳地区的逐月ET0预测模型。首先利用FAO56-PM公式[11,12]计算逐月ET0,再采用朝阳站1996-2005年10年的120组数据建立预测模型,用2006年12组的数据来检验模型的预测精度。
2.2 建立PLSPP预测模型[13,14]
先对因变量(ET0)序列yi(i=1,2,…,120)和自变量序列xij(i=1,2,…,120,j=1,2,…,8)进行标准化处理,采用单因变量PLS方法提取主成分,交叉有效性判别见表1。
由表1可以看出,提取5个主成分时,交叉有效性判别计算值小于0.097 5,这说明提取4个有效成分t1,t2,t3,t4即可。
然后将因变量(ET0)序列yi(i=1,2,…,120)和主成分序列ti1,ti2,ti3,ti4(i=1,2,…,120)序列分别代入到式(1)～(4)中,采用一个岭函数进行拟合,多项式的阶数为2,通过遗传算法优化投影指标值得投影指标函数为719 290,参数a,c值见表2,该模型的拟合结果见图1。
2.3 精度检验
将PLSPP模型预测的2006年各月ET0值与PenmanMonteith公式计算的ET0结果进行比较。从表3可以看出,采用PLSPP模型预测的精度非常高,其相对误差绝对值的均值为5.78%,相对误差绝对值均小于10%,可见PLSPP模型对参考作物腾发量的预测效果令人满意,因此可以用于朝阳站各月参考作物腾发量的预测。
3 结论
(1)PLSPP模型的参考作物滕发量模型通过提取4个有效成分,有效地解决了气象因子之间多重相关的问题,同时该模型又很好地解决了ET0与各个气象因子间的非线性问题。
(2)应用可变阶的正交Hermite多项式拟合一维岭函数,能够保证模型逼近的精度多项式的计算简单系数的确定有明确的计算公式,有利于实际中的应用,对于非线性的参考作物腾发量预测也比较合适;应用基于实数编码的加速遗传算法来优化投影指标函数,克服了传统优化方法的缺点,而且实现过程简单,便于实际操作,使模型的精度得到提高。
(3)预测参考作物腾发量的PLSPP模型具有很强的处理数据的能力,在样本点少,变量多的条件下也可进行建模;该模型计算简便,稳定性好,适用性强,与传统的投影寻踪回归模型相比精度更高。为非线性参考作物滕发量的预测提供了一条新方法。◆
摘要：根据朝阳气象站的实测气象数据(温度、湿度、日照时数、风速、蒸发量、降水量),提出基于偏最小二乘回归的投影寻踪耦合模型用于预测朝阳地区参考作物滕发量。偏最小二乘回归方法能够有效地处理自变量间多重线性相关问题,但对处理因变量与自变量间复杂的非线性问题较差,而投影寻踪回归模型有效解决了非线性问题。把这2种方法结合在一起,建立了基于偏最小二乘回归的投影寻踪耦合模型,用于该地区参考作物滕发量的预测。并将耦合模型预测的ET0结果与Penman-Monteith公式计算的ET0结果进行比较,该耦合模型预测精度较高。