陳 婧

(齊齊哈爾市水文局，黑龍江 齊齊哈爾 161005)

0 引言

耕地是人類賴以生存和發(fā)展的重要物質(zhì)基礎(chǔ)，也是不難以再生的有限的和十分寶貴的資源[1]，糧食播種面積是耕地面積的重要組成部分，其變化及發(fā)展趨勢(shì)對(duì)區(qū)域的農(nóng)業(yè)可持續(xù)發(fā)展、糧食安全與生態(tài)環(huán)境具有重要影響[2]，因此，研究分析區(qū)域糧食播種面積動(dòng)態(tài)變化具有重要意義。

近年來，隨著“東北老工業(yè)基地”的振興，“八大經(jīng)濟(jì)區(qū)”和“十大工程”的提出和實(shí)施，黑龍江省的經(jīng)濟(jì)迅猛發(fā)展，使黑龍江省發(fā)展環(huán)境空前優(yōu)越。然而工業(yè)化程度不斷提高的同時(shí)，致使每年大量的耕地流失，糧食播種面積受到嚴(yán)重威脅，特別是對(duì)黑龍江省“千億斤糧食產(chǎn)能工程”的順利實(shí)施具有重要影響。為了避免這種情況出現(xiàn)，必須對(duì)未來糧食播種面積進(jìn)行初步的預(yù)測(cè)。因此，本文嘗試采用BP網(wǎng)絡(luò)模型，以黑龍江省1980—2008連續(xù)29 a的糧食播種面積數(shù)據(jù)為例，對(duì)黑龍江省糧食播種面積未來發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，以期為黑龍江省糧食發(fā)展規(guī)模的確定和農(nóng)業(yè)長(zhǎng)期規(guī)劃的編制提供一定的數(shù)據(jù)參考。

1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是最近幾十年新興的交義性學(xué)科，也是國(guó)際上研究異常活躍的領(lǐng)域之一。神經(jīng)網(wǎng)絡(luò)模型有BP模型、Kohonen模型、Hamming模型、Hopfield模型等，都是基于連接學(xué)說構(gòu)造的智能仿生模型，它是將算法和構(gòu)造相結(jié)合，采用大量神經(jīng)元組成的非線性動(dòng)力系統(tǒng)，具有非區(qū)域性、非線性、非定長(zhǎng)性和非凸性等特點(diǎn)。其中BP模型是應(yīng)用較廣泛的一種人工神經(jīng)網(wǎng)絡(luò)，具有自學(xué)習(xí)反饋能力，采用多個(gè)節(jié)點(diǎn)的輸入層、隱層和多個(gè)或1個(gè)輸出的輸出層組成，每個(gè)節(jié)點(diǎn)為1個(gè)單獨(dú)的神經(jīng)元[3]。

1.1 BP網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。從結(jié)構(gòu)上看，一個(gè)典型的BP網(wǎng)絡(luò)通常有輸入層節(jié)點(diǎn)、一個(gè)或多個(gè)隱含層節(jié)點(diǎn)、一個(gè)輸出層節(jié)點(diǎn)構(gòu)成。當(dāng)有信息向網(wǎng)絡(luò)輸入時(shí)，信息先由輸入層傳至隱層節(jié)點(diǎn)，經(jīng)特性函數(shù)作用后，再傳至下一隱含層，直到最終傳至輸出層進(jìn)行輸出為止，其間每經(jīng)過一層都要由相應(yīng)的特性函數(shù)進(jìn)行變換。隱含層一般采用雙曲正切函數(shù)(tansig)作為傳遞函數(shù)，輸出層一般采用線性函數(shù)(purelin)作為傳遞函數(shù)，信息流動(dòng)為正向傳播過程[3]。

1.2 BP網(wǎng)絡(luò)的學(xué)習(xí)過程

學(xué)習(xí)的目的是不斷地對(duì)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使其對(duì)任一輸入信號(hào)都能得到期望的輸出。學(xué)習(xí)的方法是用一組訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每一個(gè)樣本都包括輸入及期望的輸出兩部分。訓(xùn)練時(shí)，首先把樣本信號(hào)輸入到網(wǎng)絡(luò)中，由網(wǎng)絡(luò)第一個(gè)隱含層開始逐層地進(jìn)行計(jì)算，并向下一層傳遞，直至輸出層，其間每一層神經(jīng)元只影響到下一層神經(jīng)元的狀態(tài)。然后，以其輸出與樣本的期望輸出進(jìn)行比較，如果誤差不能滿足要求，則沿著原來的連接通路逐層返回，并利用兩者的誤差按照相應(yīng)的原則對(duì)各層節(jié)點(diǎn)的連接權(quán)值進(jìn)行調(diào)整，使誤差逐步減小，直到滿足精度要求時(shí)為止[4]。

2 BP網(wǎng)絡(luò)在黑龍江省糧食播種面積預(yù)測(cè)中的應(yīng)用

現(xiàn)以黑龍江省1980—2008年的逐年糧食播種面積為例(資料來源于2009年《黑龍江省統(tǒng)計(jì)年鑒》)，采用 MATLAB7.1中的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)，建立糧食播種面積預(yù)測(cè)的BP網(wǎng)絡(luò)模型。其中:1980—2003年的糧食播種面積序列數(shù)據(jù)作為模型的輸入，2004—2008年的糧食播種面積序列數(shù)據(jù)作為預(yù)留檢驗(yàn)，對(duì)黑龍江省糧食播種面積變化規(guī)律進(jìn)行模擬和預(yù)測(cè)，為確定黑龍江省糧食發(fā)展規(guī)模提供參考依據(jù)。根據(jù)實(shí)測(cè)數(shù)據(jù)繪制黑龍江省糧食播種面積變化曲線，見圖1。

圖1 黑龍江省糧食播種面積變化曲線(1980—2008)

從圖1中可以看出:黑龍江省糧食播種面積變化隨機(jī)性較強(qiáng)，不存在明顯的周期，是一典型的隨機(jī)信號(hào)，因此，黑龍江省1980—2008年糧食播種面積可以采用上述方法建立BP網(wǎng)絡(luò)模型進(jìn)行分析。

2.1 輸入輸出樣本對(duì)的確定

采用BP網(wǎng)絡(luò)對(duì)糧食播種面積進(jìn)行模擬和預(yù)測(cè)時(shí)，必須首先確定網(wǎng)絡(luò)的輸入、輸出樣本對(duì)，即:網(wǎng)絡(luò)的輸入層和輸出層節(jié)點(diǎn)數(shù)，可采用前i個(gè)時(shí)間點(diǎn)值來預(yù)測(cè)第i+1個(gè)時(shí)間點(diǎn)值的方法[5]。通過相關(guān)性分析，達(dá)到顯著水平(a=0.05)的當(dāng)年糧食播種面積與前3 a的糧食播種面積數(shù)據(jù)有關(guān)(見圖2)。因此，本文選擇前3 a的糧食播種面積資料作為網(wǎng)絡(luò)的輸入，當(dāng)年糧食播種面積資料作為網(wǎng)絡(luò)(1個(gè)數(shù)據(jù))的輸出，將黑龍江省24 a的糧食播種面積實(shí)測(cè)資料(24個(gè)數(shù)據(jù))生成21個(gè)樣本對(duì)。

圖2 黑龍江省糧食播種面積隨機(jī)序列自相關(guān)圖

2.2 BP網(wǎng)絡(luò)結(jié)構(gòu)的確定

如前所述，本文糧食播種面積預(yù)測(cè)的BP網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為3個(gè)，輸出層節(jié)點(diǎn)數(shù)為1個(gè)。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)主要是解決隱含層數(shù)和每個(gè)隱含層節(jié)點(diǎn)數(shù)。理論分析證明:具有單隱含層的BP神經(jīng)網(wǎng)絡(luò)可以映射所有連續(xù)函數(shù)，因此選定隱含層數(shù)為1層。一般認(rèn)為，隱含層節(jié)點(diǎn)數(shù)可以在以下范圍內(nèi)進(jìn)行調(diào)試:

式中:nh、nj為網(wǎng)絡(luò)輸入層和輸出層的節(jié)點(diǎn)數(shù);ni為網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)。

針對(duì)本文實(shí)際情況，nh=3，nj=1，則可計(jì)算得:3≤ni≤7。經(jīng)過網(wǎng)絡(luò)試算，當(dāng)隱含層節(jié)點(diǎn)數(shù)ni=5時(shí)，網(wǎng)絡(luò)性能最佳，因此，本節(jié)設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為3∶5∶1。

2.3 BP網(wǎng)絡(luò)的訓(xùn)練與仿真

采用MATLAB7.1中的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff生成網(wǎng)絡(luò)，train函數(shù)和sim函數(shù)對(duì)所建立的糧食播種面積BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真[6]，可得到BP網(wǎng)絡(luò)訓(xùn)練誤差變化曲線，見圖3。從圖3中可以看出，在經(jīng)過157次訓(xùn)練之后，網(wǎng)絡(luò)性能達(dá)標(biāo)。BP網(wǎng)絡(luò)模型擬合結(jié)果見圖4。

圖3 網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

圖4 黑龍江省糧食播種面積BP網(wǎng)絡(luò)模型擬合曲線

2.4 BP網(wǎng)絡(luò)模型精度檢驗(yàn)

采用所建立的BP網(wǎng)絡(luò)模型的擬合數(shù)據(jù)進(jìn)行擬合效果檢驗(yàn)，并采用未參加建模的2004—2008年的糧食播種面積序列數(shù)據(jù)進(jìn)行試報(bào)效果檢驗(yàn)，試報(bào)效果擬合曲線見圖5，具體效果檢驗(yàn)結(jié)果見表1。

圖5 黑龍江省2004—2008年糧食播種面積BP網(wǎng)絡(luò)模擬預(yù)測(cè)曲線

表1 BP神經(jīng)網(wǎng)絡(luò)模型精度檢驗(yàn)結(jié)果

從表1中可以看出:擬合效果評(píng)價(jià)指標(biāo)后驗(yàn)差比值C=0，小誤差頻率P=1，相對(duì)均方誤差指標(biāo)E1=0，擬合準(zhǔn)確率E2=1，試報(bào)效果指標(biāo)E3=80%，擬合階段各項(xiàng)指標(biāo)均達(dá)到了一級(jí)標(biāo)準(zhǔn)，預(yù)測(cè)階段指標(biāo)為二級(jí)標(biāo)準(zhǔn)[7]。從圖4和圖5中也可以看出黑龍江省糧食播種面積BP網(wǎng)絡(luò)模型擬合效果和預(yù)測(cè)效果較好。因此，所建立的糧食播種面積BP網(wǎng)路預(yù)測(cè)模型可靠性和預(yù)測(cè)精度較高，可用于預(yù)測(cè)未來黑龍江省糧食播種面積。

3 結(jié)論

采用BP人工神經(jīng)網(wǎng)絡(luò)和自相關(guān)分析相結(jié)合的方法，以黑龍江省1980—2008年糧食播種面積實(shí)測(cè)序列資料為例，構(gòu)建了黑龍江省糧食播種面積BP網(wǎng)絡(luò)預(yù)測(cè)模型，精度檢驗(yàn)結(jié)果表明，模型的有效性和可靠性較高，具有一定的實(shí)用性。該模型概念清晰，結(jié)構(gòu)簡(jiǎn)單，較為充分地揭示了黑龍江省糧食播種面積的變化規(guī)律，對(duì)黑龍江省糧食發(fā)展規(guī)模的確定和農(nóng)業(yè)長(zhǎng)期規(guī)劃的編制具有重要的意義。

[1] 孟敏，李丁.甘肅省天水市耕地面積時(shí)序變化分析[J].安徽農(nóng)業(yè)科學(xué)，2009，37(34):16948-16950，16999.

[2] 張建軍，袁春，付梅臣，等.北京市耕地面積變化趨勢(shì)預(yù)測(cè)及保護(hù)對(duì)策研究[J]. 資源開發(fā)與市場(chǎng)，2006，22(6):497-499.

[3] 付強(qiáng).數(shù)據(jù)處理方法及其農(nóng)業(yè)應(yīng)用[M].北京:科學(xué)出版社，2005.

[4] 劉仁濤，付強(qiáng)，馮艷，等.基于RAGA的灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及其對(duì)三江平原地下水埋深的動(dòng)態(tài)預(yù)測(cè)[J]系統(tǒng)工程理論與實(shí)踐，2008(5):171-176.

[5] 彭勝民.區(qū)域水土資源優(yōu)化及糧食增產(chǎn)潛力研究—以齊齊哈爾為例[D].大慶:黑龍江八一農(nóng)墾大學(xué)，2010.

[6] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:電子工業(yè)出版社，2011.

[7] 陳南祥.地下水動(dòng)態(tài)預(yù)報(bào)模型的精度評(píng)價(jià)[J].工程勘察，1999(3):35-38.