基于改进的BP神经网络集成的作物精准施肥模型.pdf

《基于改进的BP神经网络集成的作物精准施肥模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第26卷2010焦第12期12月农业工程学报TransactionsoftheCSAE、b1．26No．12Dec．2010193基于改进的BP神经网络集成的作物精准施肥模型于合龙1，赵新子2，陈桂芬瞅，万保成1，高杰1(1．吉林农业大学信息技术学院，长春130118；2．吉林省农业机械管理总站，长春130062)摘要：作物最优施肥蹙与土壤养分含量、产量之问存在复杂的非线性关系。为更加准确地模拟这种关系，提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经脚络个体，采用挣格朗U乘子方法计算待集成的神经网络个体的权值。然后，基

2、于农田肥料效应试验数据，以土壤养分含量和施肥馈作为神经网络的输入，以产量作为神经网络的输出，建立了作物精准施肥模型。该模型通过求解一个非线性规划问题，能同时获得最大产量和最优施肥最。试验结果表明，在施肥模型的拟合精度方面，改进的神经网络集成方法(其均方根误差为64．54)明湿优于单个神经嘲络方法(其均方根误差为169．74)。而且，作为～种定量模型，基于改进的神经网络集成的施肥模型优于传统施肥模型，能有效地指导精准施肥。关键词：反向传播，神经网络，非线性规划，精准农业，施肥模型，K-均值聚类doi：10．3969／j．issn．1002—6

3、819．2010．12．033中图分类号：S126文献标识码：A文章编号：1002—6819但010)-12-0193--06于合龙，赵新子，陈桂芬，等．基于改进的BP神经网络集成的作物精准施肥模型[J]．农业工程学报，2010，26(12)：193—198．YuHelong，ZhaoXinzi，ChenGuifen，eta1．CropprecisionfertilizationmodelbasedonimprovedBPneuralnetworkensemble[J]．TransactionsoftheCSAE，2010，26(12)：1

4、93—198．(inChinesewithEnglishabstract)0引言精准施肥是精准农业技术中的核心内容，其基本思想是基于土壤养分的空间变异性实行变量施肥。实践证明，精准施肥町以节约肥料，增加粮食产最，均衡十壤养分【lj，减少环境污染。精准施肥的难点主要在于决策模型的制定，然而现有的施肥模型与当前牛产实践相互矛盾之处非常之多，积累的大量数据难以指导乍产实践【2】。因此，有必要构建一种更有效的作物精准施肥模型。传统的精准施肥策略中主要采用养分平衡法和肥料效应函数法。养分平衡法待定系数较多，不能反映养分间的交互作用，而且由于目标产量很

5、难估计准确，导致施肥鼍计算误差较大。由于产量和土壤养分、施肥量以及其它影响因素间呈高度的非线性，而神经网络被认为是解决非线性问题的有力工具，因此一些不同形式的神经网络被用于精准施肥决策中。2001年，Pokrajac等p卅建立了基于神经网络的精准施肥决策支持系统。2004年，马成林等【5】提出了一个基于数据包络分析和人工神经网络的变量施肥决策方法。此外，一些其他形式的神经网收稿Et期：2009．06．21修订F1期：2010。06．18基金项目；国家“863”项14(2006AAl0A309)；国家星火计划项目(2008GA661003)：

6、长春市科技特派员项目(2009245)；吉林农业大学青年基金项目(2007038)作者简介：于合龙(1974一)，男，吉林德惠人。副教授，博士，主要从事数据挖掘与精准农业研究。长春吉林农业大学信息技术学院，130118。Emaihyuhelong@yahoo．corn．cn※通信作者：陈桂芬(1956一)，女，吉林长春人，教授．博士生导师，主要从事专家系统和农业信息技术研究。长春吉林农业大学信息技术学院，130118。Email：guifchen@163．gom络也被用于变量施肥决策睁71。现有的基于神经网络的精准施肥模型主要存在以下问题：

7、第一，在训练数据获取方面，通常需要安排专门的出间试验，需要较长的试验周期和较高的试验成本。另一方面，在测上配方施肥开展过程中，已经积累了大量的“3414”田间试验数据，但实践证明，3414试验数据并没有得到充分利用，甚至有部分数据由于不能成功地拟合三元-二次方程而遭废弃t剐。第二，在神经网络输入输出模式方面，现有模型都足以土壤养分、产量作为输入，以施肥量作为输出。但该种模式需要事先估计最大目标产量，而对于目标产量的估计通常并没有一个定量公式，因此很难估计准确，从而导致施肥量计算不准。第三，现有模型均使用单个网络进行拟合，但单个神经网络的预测

8、精度不高，泛化能力不强。针对以上问题，本文提出了一种改进的BP神经网络集成方法，并有针对性地采取以下3种措施：第一，以“3414”试验数据作为训练样本集，充分利用现有数据，减少试