基于改进神经网络的农作物产量预测方法

2.山东省农业信息中心袁山东济南250100曰3.济南市农业信息中心袁山东济南250002)

(1.山东麦港数据系统有限公司袁山东济南250100曰

刘鹏1袁郑勇2袁杨红军

3

摘要院农作物产量预测对规划国民经济的发展具有决定性作用袁对于合理统筹种植策略以及减少水肥的浪费有着重要意义遥影响农作物产量的因素众多袁准确预测农作物产量具有非常重要的意义遥气候是影响农作物产量的重要因素遥以气候因素为依据袁提出了一种基于改进长短期记忆神经网络的农作物产量时间序列预测的方法袁将历史产量和气候因素相结合袁以固定年份为单位对下一年农作物产量进行预测遥实验结果表明袁与长短期记忆神经网络尧支持向量机方法进行对比袁本方法在农作物产量时间序列预测中有较高的准确性遥关键词院农作物产量预测曰长短期记忆神经网络曰深度学习曰递归神经网络曰气候因素中图分类号院TP391

文献标识码院A

DOI院10.16157/j.issn.0258-7998.190537

中文引用格式院刘鹏袁郑勇袁杨红军.基于改进神经网络的农作物产量预测方法[J].电子技术应用袁2019袁45(10)院88-91袁99.英文引用格式院LiuPeng袁ZhengYong袁YangHongjun.Cropyieldpredictionmethodbasedonanimprovedneuralnetwork[J].App-licationofElectronicTechnique袁2019袁45(10)院88-91袁99.

Cropyieldpredictionmethodbasedonanimprovedneuralnetwork

2.ShandongAgriculturalInformationCenter袁Jinan250100袁China曰3.JinanAgriculturalInformationCenter袁Jinan250002袁China)Abstract院Cropyieldforecastingplaysadecisiveroleinthedevelopmentofnationaleconomyplannedbythegovernment.Itisofgreatsignificancetorationallyplanplantingstrategiesandreducethewasteofwaterandfertilizer.Therearemanyfactorsaffectingcropyield,andaccuratepredictionofcropgrowthmeansalot.Climateisanimportantfactoraffectingcropyield.Basedonclimaticfactors,thispaperproposesatimeseriespredictionmethodbasedonthelongshort-termmemory(LSTM)forcropyieldprediction.Themethodcombineshistoricalyieldswithclimaticfactorstoforecastthecropyieldofthenextperiodbyyears.Experimentalre鄄sultsshowthatcomparedwithLSTMandsupportvectormachinemethods,theproposedmethodachieveshigheraccuracyincropyieldprediction.

Keywords院cropyieldprediction曰longshort-termmemory曰deeplearning曰recurrentneuralnetwork曰climatefactor

(1.ShandongMGdaasSystemsCo.袁Ltd.袁Jinan250100袁China曰

LiuPeng1袁ZhengYong2袁YangHongjun3

0引言

农业是国民经济组成的重要部分袁农作物生产对于社会的稳定具有重要作用遥农作物产量是部门进行农业决策和宏观的重要依据袁预估农作物产量具有重要的意义遥影响农作物产量的因素众多袁农作物产量的形成通常具有非线性的特点袁准确地预估农作物产量一直是农业发展中的一个难题遥

现有的估产办法主要包括统计方法尧遥感术[1]尧水肥

不同于多元回归只能对线性关系建模袁神经网络对线不需要对输入输出关系做任何假设遥递归神经网络

系统对复杂信息的处理机制袁具有高度的非线性特点[5]遥性关系和非线性关系都能建模袁而且不需要预处理袁也渊RecurrentNeuralNetwork袁RNN冤能够更灵活尧准确地对

近十多年来神经网络快速发展袁它模拟人脑的神经

农作物产量做出预测遥但是标准的递归神经网络由于梯

测量[2]尧一元或多元回归分析[3]等方法遥这些方法通常存在成本高尧周期长尧精确度不够高等缺点遥同时只使用产量信息的预测方法无法得到更加准确的预测结果遥随着现代农业和大数据时代的发展袁能够获得大量影响农作重大[4]遥

物生长因素的信息袁其中气候因素对农作物的产量影响

度消失比较难捕获长期依赖关系[6]袁HOCHREITERS等

要长短期记忆网人[7]提出一种特殊的RNN结构类型要要

络(LongShort-TermMemory袁LSTM)袁它可以处理长期信相对较长的重要事件[8-9]遥

息依赖袁所以适合于处理和预测时间序列中间隔和延迟

然而袁仅用单一的LSTM模型无法充分考虑其他影

响产量的因素遥在农作物产量预测中袁温度尧降水量等是

88

欢迎网上投稿www.ChinaAET.com叶电子技术应用曳2019年第45卷第10期

计算机技术与应用ComputerTechnologyandItsApplications重要的决定因素遥针对此问题袁本文提出一种基于LSTM袁同时使用影响产量的气候因素的ELSTM模型袁对农作物的产量进行更加准确的预测遥实验表明ELSTM模型比LSTM模型具有更高的准确性遥

1相关工作

许多学者对预测问题做了深入的研究袁特别是神经网络可以快速有效地解决复杂问题袁近年来在众多领域得到了短期MISHRA广泛的应用预测问题S袁等时人遥

[10]提出一种新型的RNN结构来处理间关系由神经元提供袁可以根据具体

情况使用不同类型的激活函数和不同数量的神经元来提高准确性遥该模型只适用于短期预测袁不适用于本文要解LSTMGuo决的Tao问题等遥

人[11]使用LSTM模型来处理预测问题袁

制长Hu期最记多Haiqing忆增袁加在准4等确个层来改进重复模块袁方便实现和控人性方面得到令人满意的预测遥

[12]综合了灰色预测模型和三角模型

的优点袁建立TGM模型来预测中国粮食的产量遥但是该模型只使用了产量信息袁没有考虑其他的条件袁不符合本文HOSSAIN要解决的问题MA遥

等NN人[13]考虑气候对农作物产量的影

响袁利用神经网络渊冤建立天气参数预测模型袁然后将

预测天气以及当前的农业数据作为支持向量机(SVM)的输入对水稻产量进行预测遥但是SVM适用于分类问题袁产量预测准确性不是很高遥

综上袁当前用于处理预测问题的方法无法很好地解决本文所述问题袁而且仅用单一的LSTM预测模型无法进行准确预测袁其他方法也没有充分利用影响产量的气候因素遥基于这个问题袁本文考虑在使用LSTM预测的基础上同时优化LSTM袁在预测模型中考虑气候因素对产量的影响以使预测更加准确袁提出了使用气候因素进行产量预测的ELSTM模型遥

2数据预处理和ELSTM模型

随着现代农业和精准农业的发展袁对农作物的产量和气候因素有准确的记录遥农作物的产量预测模型主要根据历史产量来建模学习和预测当前年份的产量袁同时在模型中加入历史年份的气候因素袁以更加准确地给出当前年份的产量的预测遥2.1数据预处理

基于农作物生长的自然规律袁气候条件对产量的影响是产量预测中必须注意的一个要点遥气候中最重要的

两个因素是气温和降水[14]以获得适用于本模型的数据遥对集初始院

数据进行下述处理可定义s为预测的目标年份袁使用前i年的信息进行

预测袁则Xs量数据曰Es={={exs-is-i袁袁噎袁噎袁exs-2s-2袁袁exs-1s-1}}为为预预测测ss年年产产量量的的历气史候产素数据遥例如预测2010年的产量袁使用前3年数据进行

因

叶电子技术应用曳2019年第45卷第10期

预测袁则产量是数据为X据为E2010={x2007袁x2008袁x2009}袁气候因素数本2010模型主={e2007要袁e利2008用袁e前2009}s遥

-i年所有产量数据和气候数据对接下来s年产量进行预测遥2.2以RNNLSTM

是一种节点定向连接成环的人工神经网络袁可BENGIO利用它Y内等部依赖人的记忆来处理任意时序的输入序列遥然而[15]观察到由于梯度消失问题袁RNN无法处理长距离的问题遥LSTM是RNN的变体袁但是单一的产量数据进行预测结果不够准确遥因此袁本文提出了在LSTM基础上增加了考虑气候因素的ELSTM模型遥2.3ELSTM模型

不同年份农作物生长期内温度尧降水情况对产量有重要影响遥结合历史年份气候条件和预测年份气候条件相似性可以进一步挖掘产量中的内部联系袁这对提高预测性架构ELSTM能是重的结果模型要的上加整遥

入体气架候构因如素权重图1所袁以示便袁模型在能够捕标捉准气LSTM

候条件对农作物产量的影响遥

图1ELSTM模型架构

需要两个ELSTM输入模型袁即共历史分产为量LSTMX层得到每年产量的向量表示s和层气尧候权重条件层E和Hss={hs-i袁噎遥预袁Xhs测层经过遥LSTM

模型

s-2经过权重层得到每年生长条件对应的As={坠s-i袁hs-1}袁Es

s-1}遥首H先s和A是LSTMs经过预测层得到预测产量遥袁噎袁坠s-2坠袁层袁如图2所示历史产量X层得到对应的产量向量表示Hs经过LSTM

s遥

图2ELSTM层结构

增加LSTM记忆单元在普袁通从而RNN使时基间础序上列袁上在的隐藏记忆层信各息神经可控单元遥一中

个LSTM单元有3个门院遗忘门尧输入门尧输出门遥LSTM单元结构如图3所示遥

计算机技术与应用ComputerTechnologyandItsApplicationsCt-1

Cttanh

ft

it軒Cot

th滓

滓tanh

滓

t-1

xot

t

ht

图3ELSTM单元结构

元的(1)输入遗忘xt门为院输遗忘入的门sigmoid是以上函一数单元袁{W的输出ht-1和本单

的参f袁Uf袁bf}是遗忘门f数遥

(2)t=滓输入(Wfh门t-1院+输入Ufxt+门bf和一个)

tanh函数配合控制有哪(1)

新信息被加入遥{Wi些

参数遥

袁Ui袁bi}袁{Wc袁Uc袁bc}为输入门的网络

it軒C=滓(Wiht-1+Uixt+bi)(2)tC=tanh(Wcht-1+Ucxt+bc)

(3)(3)t=输出ftCi-1门+it院軒C输出t

门用来控制当前的单元状态有多(4)

被过少

o滤掉遥{Woht=滓(Woht-1袁+UUoo袁xbot}为输出门的网络参数遥

t=于ottanh(+bo)一个Ct年)

(5)由份对应一个LSTM单元袁因此取每个(6)

单

元的输出向量表示当前年份的产量信息遥离被预测年份越近的年份受之前年份的产量影响越大遥

在权重层得到s-i年气候因素所对应的权重遥

首先将s-i年与s年的气候因素做差袁气候条件与s年越相似的年份袁差值越小遥将每年的差值归一化并组合成驻一条e信息袁具体计算如下院

s-i袁s=es-i-ese(7)

s-i袁s=

驻es-i其中袁WeWmax{驻e袁ss-i袁s袁噎袁驻es-1袁s茁(8)s-i=和ees-i袁sbe都+是be

}需要学习的参数遥将得到的气候因(9)

素

茁s-i放入softmax函数中得到对应年份的权重袁具体计算如下(院

坠s-i袁噎袁坠s-2袁坠s-1)=softmax(茁s-i袁噎袁茁s-2袁茁s-1)

(10)

{h预测层的输入为通过LSTM层得到的产量向量s-i袁噎袁hs-2袁hs-1}和权重层得到的权重结果As={坠Hss-i袁

=

产噎袁量坠s-2状袁况坠s-1袁具}遥体对计应算如下年份的院

产量和权重相乘求和得到历史

軌h=坠s-ihs-i+噎+坠s-2hs-2+坠s-1hs-1对历史产量状况进行最后的预测袁具体的计算如下(11)院

y赞90

=Wh窑欢迎网上投稿軌h+bh

www.ChinaAET.com(12)

其中袁Wh和bh都是需要学习的参数遥在预测层得到预测产量y

赞别袁损失遥函使用数如下均方院

误差来计算预测值与真实值之间的差n

loss=

移s=1(ys

-y赞s

n)(13)

训练过程如下院

为LSTM层的输入遥按年份顺(1)LSTM序将产量信层遥息产输入量信不息同Xs作LSTM单元中袁在每个LSTM

单元得(2)到权重包含层所遥有将历史生长产条件量信信息息作Hs遥过计算得到每个年份的权重As遥

为权重层的输入,经

(3)预测层遥将Hs和As作为最终预测层的输入袁经过预测层(4)的通过运算有即监可得督的到训练历史调产整量向量模型遥袁按照然后损得失到函预数测计值算

遥

预测值与真实值之间的差别袁使用BP算法调整模型每层的参数遥

参数调整后重复这一过程袁直到得到一组最优的参数并保留下来遥

3实验

用于建模分析的数据是2000年耀2016年山东省17个市农作物产量和气候情况遥其中农作物选择的是小

麦尧玉米这两种代表性的农作物遥为了避免因为种植面积变化带来的产量变化袁本文使用每公顷产量作为农作物的产量的单位遥气候因素是两种农作物对应生长期每天的降水量和温度袁小麦的气候因素数据是每年9月份到下年5月份每天的降水量和温度袁玉米的气候因素数据是每年6月份耀9月份每天的降水量和温度遥3.1实验设置说明

本节将通过实验评估所提出的ELSTM模型遥实验环境为院INTELCorei5CPU袁3.20GHz曰8GB内存遥每个对比实验情况均运行10遍袁取平均值遥主要设置3个对比模型和生(1)ELSTM院

模型院本文提出的ELSTM模型(2)LSTM长条件信息进行预标准测的遥袁利用产量

信息(3)SVM进行预测模型模型遥

院LSTM模型袁只使用历年产量

息进行预测遥

院使用支持向量机渊SVM冤对历年产量信

3.2模拟比较实验

本节使用ELSTM尧LSTM和SVM3种模型进行实验遥将过去2耀6年的历史产量和气候条件作为模型输入遥

使用偏差率(Deviationrate)来计算预测值同真实值之间的偏差占真实值的百分比袁偏差率值越小袁模型的准确率越高遥使用以下公式计算院

Deviation移|赞叶电子技术应用rate=y-nyy|曳2019伊100%年第45卷第10期

(14)

计算机技术与应用ComputerTechnologyandItsApplications使用决定系数(R2度越高袁R2越接近1遥)使用来判如下断模公式型拟计合算的院

程度袁拟合程R2=1-移其中袁n代表移(总(yy-样-yy赞軃)本)2

2(15)

袁y代表真实值袁y赞代表预测值袁y軃代表真实值的平均值遥小麦误差率实验结果如表1所示遥玉米误差率实验

结果如表2所示遥

表1小麦误差率对比

过去年数

2ELSTMLSTM39.3010.0210.21SVM(%)48.949.5857.479.477.8467.757.959.148.369.298.439.20表2玉米误差率对比

过去年数

(%)2ELSTMLSTMSVM312.512.1312.8712.1913.1112.4958.86612.979.10.179.549.04

11.6010.2611.53从实验结果中可以看出袁在3个模型中袁ELSTM模型预测结果最好遥同时根据误差率的分布袁可以得出使用过去4年的产量预测下一年产量预测结果更准确遥

将过去4年小麦的产量和气候条件作为输入进行计算袁得到实验结果如表3所示遥

表3R2对比

R2ELSTM0.9690.909LSTM0.853SVM从实验结果中可以看出袁ELSTM模型的决定系数最大袁拟合程度优于其他模型遥

通过以上实验可以看出袁ELSTM模型的预测结果准确率更高袁拟合程度更好遥针对此问题袁ELSTM是一个很好的预测模型遥

4结论

预测农作物产量是农业生产中的一个重要问题遥由于农作物生长受多方面因素影响袁准确预测农作物产量非常重要遥

LSTM本的文改针进模型进行对农作物求产解量遥预在测求问解题过设程中计袁了将一农个作物基历

于

史产量数据与生长条件数据相结合袁作为输入对模型进行训练袁可对当年农作物产量进行精准预测遥实验表明袁与其他预测方法相比袁本模型有更理想的预测结果遥

在未来的工作中袁计划将所提出的方法应用于其他

叶电子技术应用曳2019年第45卷第10期

具有相同特征的预测问题袁以观察该模型在不同问题上的预测精确度和通用性遥

参考文献

[1]GUERIFtoolM袁LAUNAYM袁DUKEC.RemotesensingasdiagnosisenablingscienceandandtheRemoteyieldspatialprediction[C].IEEEuseofcropmodelsforcropa

SensingSymposium袁International2000院1477-1479.

Geo-[2]JinyieldChuannationalprediction袁QinQimingGeosciencemodel袁andforZhuRemotestressedLin袁etSensingsurfaces[C].IEEEal.TVDIbasedcrop

Symposium袁Inter4656-4658.

2007院

[3]KERDILESforH袁REMBOLDF袁LEOO袁etal.CST袁aindicatorspredicting院illustrationcropyieldwithfromRSAremoteandsensingorcropfreeware

modelConferenceonAgro-Geoinformatic袁2017Ethiopia[C].International[4]ZhuoyieldZhihong袁院1-6.

modelingresponseGaotoclimateChaochaochange袁LiuinYonghong.RegionalChina:agrain

AppliedEarthapproach[J].IEEEObservationsandJournalRemoteofSelectedstatisticSensingTopics袁2014袁in(11)院4472-4479.

7[5]WangpredictionAnhongspeech袁ZhangcodingXueyingADPCM袁SunalgorithmZhiyi袁etbasedal.Aonnonlinear

InternationalRNN[C].

[6]neticsConferenceonMachineLearningandCyber-PASCANU袁2002R院袁1353-1357.

trainingrecurrentMIKOLOVneuralnetworks[J].ComputerT袁BENGIOY.OntheSciencedifficulty袁

of[7]HOCHREITER2013袁28(1)院337-345.

memory[J].NeuralS袁SCHMIDHUBERComputation袁1997J.Longshort-term

[8]涂小萌袁陈强国.基于ARIMA-LSSVM袁9(8)混院41(2)合1735-1780.

时间序列预测[J].电子技术应用袁2015袁模院型160-162的犯罪

166.

袁

[9]杨量烁预袁测孙分钦析斐[J].袁朱电子技术应用洁袁等.基于大袁2018数据袁平44(11)台的院电67-69.

采暖用电[10]MISHRAaS袁PATRASK.Shorttermloadforecastingusing

[11]GuoConferencenovelrecurrentneuralnetwork[C].IEEERegion10electricTao袁2008院1-6.

Internationalfield袁LiuvalueRui袁YangwiththeHengLSTM袁etal.PredictneuralSystemsnetwork[C].atmosphere

andControl袁2017Conference院263-266.

onComputer袁Electronics[12]HumetricHaiqinggrey袁predictionZhangDanapproach袁QiuPing.ApplicationtoforecastingChinaoftrigono-yield[C].IEEEInternationalConferenceonGreySystemsgrain[13]HOSSAINandIntelligentMA袁ServicesUDDIN袁2009PredictingMN袁院538-542.

HOSSAINMA袁etal.

conditions[C].InternationalriceyieldforBangladeshConferencebyonexploitingInformationweatherand

(下转第9991

页)

计算机技术与应用97-139.

ComputerTechnologyandItsApplicationsgenerationfrombiasedPUFs[M].CryptographicHardwareandEmbeddedSystems--CHES2015.SpringerBerlinHeidelberg袁2015.

[12]MATTHIASH袁MERLID袁STUMPFF袁etal.Complementary

IBS院applicationspecificerrorcorrectionforPUFs[C].IEEEInternationalSymposiumonHardware-orientedSecurity&Trust.IEEE袁2012.

[6]DODISY袁OSTROVSKYR袁REYZINL袁etal.Fuzzyextractors院howtogeneratestrongkeysfrombiometricsandothernoisydata[J].SIAMJournalonComputing袁2008袁38(1)院

[7]MAESR袁HERREWEGEAV袁VERBAUWHEDEI.PUFKY院

InternationalWorkshoponCryptographicHardwareandEmbeddedSystems.Springer袁Berlin袁Heidelberg袁2012.

afullyfunctionalPUF-basedcryptographickeygenerator[C].

[8]ANDR魪S袁TARASS袁BORIS譒袁etal.Eliminatingleakage

inreversefuzzyextractors[J].IEEETransactionsonInfor-mationForensicsandSecurity袁2018袁13(4)院954-9.[9]万超.基于PUF的零信息泄露的安全概略的设计与实[10]YUMD袁DEVADASS.Secureandrobusterrorcorrection

forphysicalunclonablefunctions[J].IEEEDesign&TestofComputers袁2010袁27(1)院48-65.

[11]MAESR袁LEESTVVD袁SLUISEVD袁etal.Securekey

现[D].成都院电子科技大学袁2018.

作者简介院

(收稿日期院2019-05-06)

潘畲稣(1996-)袁通信作者袁女袁硕士研究生袁主要研究ac.cn遥

方向院PUF密钥生成尧RFID安全通信袁E-mail院panshesu@sari.

张继军(1981-)袁男袁博士袁副研究员袁主要研究方向院功

能材料与器件等遥

张钊锋(1972-)袁男袁博士袁研究员袁主要研究方向院物联网核心芯片尧车联网关键技术等遥

(上接第91页)

[14]HuangYouxin袁LiuXiuguo袁ShenYonglin袁etal.Assessment

ofagriculturaldroughtindicatorsimpactonsoybeancropyield院acasestudyinIowa袁USA[C].TheThirdInterna-[15]BENGIOY袁FRASCONIP袁SIMARDP.Theproblemof

tionalConferenceonAgro-Geoinformatics袁2014院1-6.

CommunicationTechnologyConvergence袁2017院5-594.

Francisco袁USA袁1993(3)院1183-1188.

作者简介院

分析技术及应用遥

(收稿日期院2019-05-07)

刘鹏(1982-)袁男袁本科袁工程师袁主要研究方向院大数据郑勇(1968-)袁男袁硕士研究生袁高级工程师袁主要研究方向院农业科技及农业信息化建设遥

杨红军(1976-)袁男袁硕士研究生袁主要研究方向院农业科技及农业信息化遥

learninglong-termdependenciesinrecurrentnetworks[C].IEEEInternationalConferenceonNeuralNetworks.San

(上接第95页)

realizationofimageseparationmethodbasedonindependentcomponentanalysisandgeneticalgorithm[J].ProceedingsofSPIE袁2002袁4875(2)院575-582.

crossoverandmutationingeneticalgorithms[J].IEEE656-667.

TransactionsonSystemsMan&Cybernetics袁2002袁24(4)院

[8]GOLDBERGDE.Geneticalgorithmsinsearch,optimization

algorithmbasedonindividualsimilarity[J].ComputerEngineeringandDesign袁2011袁32(5)院19-1993.100(471)院1099-1099.

[13]游培寒袁毕笃彦袁马时平.自适应权值调整GS图像分割[14]WANGB袁YANP袁ZHOUQ袁etal.Staterecognition

算法[J].中国图象图形学报袁2018袁11(7)院959-9.methodformachiningprocessofalargespotwelderbasedProceedingsoftheInstitutionofMechanicalEngineers袁2017袁231(11)院2135-2146.2002(10)院203-210.

[9]TIANF袁YAOAM袁SUNXP袁etal.Dualpopulationgenetic[10]ANDERSON-COOKCM.Practicalgeneticalgorithms[J].

andmachinelearning[M].Addison-WesleyProfessional袁19.

onimprovedgeneticalgorithmandhiddenMarkovmodel[J].[15]CANTU-PAZE.Onrandomnumbersandtheperformance

(收稿日期院2019-04-20)

PublicationsoftheAmericanStatisticalAssociation袁2004袁byindependentcomponentanalysisbasedonageneticIEEE袁2000.

[11]ZENGXY袁CHENYW袁NAKAOZ袁etal.Signalseparation

algorithm[C].InternationalConferenceonSignalProcessing.[12]SRINIVASM袁PATNAIKLM.Adaptiveprobabilitiesof

ofgeneticalgorithms[J].ComputerSciencePreprintArchive袁

作者简介院

安霆(1975-)袁男袁博士袁副教授袁主要研究方向院信号分析与处理技术尧智能算法尧自动检测技术遥

叶电子技术应用曳2019年第45卷第10期

99