基于bp神经网络的田间信息插值方法

基于bp神经网络的田间信息插值方法

0田间信息的空间变异规律在农业精细研究中，需要收集大量信息样品，这需要大量的人力物力和财力。因此,研究如何用较少的样本来反映田间信息的分布规律,再用科学的插值方法进行插值和预估是精细农业研究中的一个关键问题。常用的插值方法有:简单全局插值、趋势面插值、距离反比法插值、样条函数插值和克立格插值等。如:郭旭东等用基于GIS的地统计学方法分析了河北省土壤的碱解氮、全氮、速效钾和有机质等5种养分要素的空间变异规律;张淑娟等用GIS的空间分析模块中的克立格插值法分析了某一农田的土壤有机质、全氮、破解氮、速效磷、速效钾、容重、田间土壤含水率和电导率等土壤养分的空间变性等。由于田间信息的复杂性和不确定性,应选择不同的插值方法来表达它们的空间分布情况。常用的插值方法,计算分析工作量较大,精度往往不能满足要求。人工神经网络技术是以生物神经网络为基础,模拟人脑行为的一种信息处理方法。从本质上讲,人工神经网络是一在规模并行的非线性动力系统,它具有许多引人注目的特点,尤其是具有全息的联想学习能力、自组织、自适应和高度的非线性动态运算能力。因此,人工神经网络得到了广大学者的高度重视,在模式识别、趋势分析、自动控制、人工智能等方面得到了广泛的应用。同时,在识别那些人们所不易观察的容量之间的相互关系上,也拥有较强的能力。田间信息是区域化变量,它是地理位置的函数,基于人工神经网络对函数逼近的原理,研究基于地理位置的田间信息神经网络插值方法,与地理信息系统中常用的插值方法相比较,该方法更有利于地理位置和田间信息相互关系的确定和田间信息准确的插值,有利于田间信息空间分布特性准确、直观的表达。因此,本文把BP神经网络用于土壤性质空间分布的插值中,为土壤性质空间分布的估值和分析提供一种新的插值方法。1bp网络的权值基层输出BP网络的学习算法是一种误差反向传播式网络权值训练方法。它的理论基础是多层神经网络模型。基本的BP网络结构如图1所示,它由输入层、隐含层和输出层组成。把人工神经网络技术引入田间信息的插值过程,把变量与变量之间的关系作为神经元之间的联接,通过对给定样本的学习,不断调整和确定网络权值,以实现在变量与自变量之间的非线性映射,从而确定未知点的田间信息值大小的目的。BP网络对函数的逼近原理表述如下:设函数y=f(X),其中X=(x1,x2,…,xn),以自变量X作为网络的输入,应变量y作为网络的输出,所以在这种情况下,网络的输入节点为n,输出节点为1。设有M个输入输出对(X(1),X(2),…,X(M))和(y(1),y(2),…,y(M))。对于第k个输入输出对,首先根据网络当前的内部表达,对样本输入模式X(k)作前向传播,计算网络的实际输出,与期望输入y(k),进行对比。然后将误差反向传播,即按照使网络输出值与期望值之差E的平方和为最小的原则,反向计算,对网络各相邻节点的连接权值进行调整,经过多次学习训练,网络权值收敛于最佳权值,此时E的变化达到稳态。网络训练、校验完成之后,就可以根据预测点的输入,得到该点的输出。2地理位置的相关定义田间信息在田块中的空间分布特性与地理位置有关,是地理位置的函数。因此,利用神经网络进行田间信息的插值,把各点的X、Y坐标值作为输入,各点的田间信息值作为输出。2.1冬小麦百合碱解氮含量测定2002年3月20日,在冬小麦返青期,在山西太谷县的一块冬小麦田中,用GIS定位,以50m的间隔进行规则栅格采样。在实验室利用1mol/LNaOH扩散法测定碱解氮的含量,所测的冬小麦田中的碱解氮数值见表1。本次共采集有63个采样点,把其中的45个点作为训练样本,18个采样点作为检验样本,各种点的分布见图2。2.2神经网络模型BP网络结构的确定主要是输入层与隐含层内的节点数的确定。根据上述可知,输入层选定2个节点。BP神经网络隐含层节点数的选择是一个十分复杂的问题,它与求解问题的要求及输入、输出节点数的多少都有直接的关系。一般根据问题的复杂程度、训练样本容量和实际要求由建模者的经验和试验工作确定。隐层节点数的确定参考下面的隐层单元数计算公式n1=n+m−−−−−√+a(1)n1=n+m+a(1)式中n1——隐层单元数;n——输入神经元个数;m——输出神经元个数;a——1～10之间的常数。本文中,隐层单元数计算如下:9+1−−−−√+1≤n1≤9+1−−−−√+109+1+1≤n1≤9+1+10即4.16≤n1≤13.16根据n1的计算值,由小到大改变节点数训练并检验其精度,当节点数的增加误差不进一步减小时,其临界值即为应采用的数值。最后,经过网络的实际训练结果比较,选定网络隐含层节点数为5,此时网络能较快地收敛至所要求的精度。利用VisualBasic6.0编制的BP人工神经网络模型计算机程序进行训练集样本训练,当误差给定E=0.001,隐含层节点数选定5个,学习步长为0.5,动量项为0.5,经过180万次训练以后,网络精度达到要求,此时生成的权值见表2和表3。用检验样本集进行预测检验,结果见表4。该选定网络结构的输入层、隐含层和输出层的节点数比例为2∶5∶1。在隐含层采用双曲正切s型(sigmoid)作为传递函数,输出层采用线性函数作为传递函数。学习规则采用带有动量规则的BP算法。利用训练好的神经网络模型,对在原采样点的相邻两点中间取一点,形成的221个点(见图3),根据各点的坐标进行预测,这样可以得到未知点的碱解氮数值。按照点在地块中的位置,对碱解氮的克立格球状模型插值,也设定相应的221个点。3算和比较都是比较结果对碱解氮的神经网络插值和克立格球状插值结果,进行误差分析计算和比较,比较结果见表5。从表5可以看出,神经网络插值的各项误差指标计算值均小于克立格球状插值的各项指标计算值,因此,神经网络插值方法从误差指标的分析来看,优于克立格球状插值法。4克立格球形插值法利用ArcView3.2提供的绘制栅格图的功能,应用神经网络插值法得到的221个点绘制的碱解氮分布栅格图见图4a,应用克立格球状插值法得到的221个点绘制的碱解氮分布栅格图见图4b。比较碱解氮的神经网络插值和克立格球状插值栅格图可以看出,两个图非常相似,由此可知,神经网络插值方法是一种较好的插值方法。以后对田间信息分布图的绘制,可考虑采用神经网络插值的方法。本文只对碱解氮的神经网络插值进行了研究,其它田间信息同样可利用神经网络进行插值。5田间信息的分析和插值1)BP神经网络用于田间信息的插值是可行的,因为BP网络通过样本的训练来不断的调整权值,使误差达到最小,避免了人为因素的干扰,其结果能很好地反映田间信息的实际情况。为田间空间信息的分析和空间信息图的生成提供了一种新方法。2)对碱解氮的BP神经网络插值结果表明,基于地理位置坐标的神经网络