燕振剛, 李 薇, Yan Tianhai, 王 鈞, 陳 蕾, 逯玉蘭, 劉 歡, 唐 潔, 張 磊, 陳玉娟,常生華, 侯扶江

?

BP神經(jīng)網(wǎng)絡(luò)算法在河西綠洲玉米生產(chǎn)碳排放評(píng)估中的應(yīng)用及算法有效性研究*

燕振剛1, 李 薇2, Yan Tianhai3, 王 鈞1, 陳 蕾1, 逯玉蘭1, 劉 歡1, 唐 潔1, 張 磊1, 陳玉娟1,常生華4, 侯扶江4

(1. 甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院 蘭州 730070; 2. 甘肅農(nóng)業(yè)大學(xué)財(cái)經(jīng)學(xué)院 蘭州 730070; 3. 農(nóng)業(yè)食品與生物科學(xué)研究所 希爾斯伯勒 BT26 6DR; 4. 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院 蘭州 730000)

針對(duì)作物生產(chǎn)碳排放預(yù)測(cè)較為困難的實(shí)際問(wèn)題, 提出基于BP神經(jīng)網(wǎng)絡(luò)算法的玉米生產(chǎn)碳排放預(yù)測(cè)模型。選擇地處河西走廊石羊河下游的民勤綠洲246家農(nóng)戶, 面對(duì)面調(diào)查玉米種植戶農(nóng)場(chǎng)內(nèi)生產(chǎn)投入數(shù)據(jù), 將玉米生產(chǎn)投入數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入層; 查閱和梳理國(guó)內(nèi)外相似區(qū)域玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 運(yùn)用碳足跡生命周期法計(jì)算得到的碳排放值作為神經(jīng)網(wǎng)絡(luò)輸出層; 基于BP人工神經(jīng)網(wǎng)絡(luò)算法, 運(yùn)用試湊法確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個(gè)數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預(yù)測(cè)模型, 選擇多元線性回歸模型、多元非線性回歸模型, 對(duì)該模型有效性進(jìn)行評(píng)估。研究結(jié)果表明, 3層且各層節(jié)點(diǎn)數(shù)9、10、1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠準(zhǔn)確預(yù)測(cè)河西綠洲玉米生產(chǎn)碳排放, 其碳排放預(yù)測(cè)值為0.763 kg(CO2-eq)?kg-1(DM); 9-10-1結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的相關(guān)系數(shù)(2=0.984 7)高于多元線性和非線性回歸模型, 該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的均方根誤差(RMSE=0.069 1)、平均絕對(duì)誤差(MAE=0.051 3)均低于其他模型, BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)性能明顯優(yōu)于其他預(yù)測(cè)模型。該研究為準(zhǔn)確預(yù)測(cè)農(nóng)業(yè)生產(chǎn)碳排放提供了新思路和可操作方法。

BP神經(jīng)網(wǎng)絡(luò); 玉米生產(chǎn); 碳排放; 算法有效性; 生命周期法; 預(yù)測(cè)模型

近年來(lái), 人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化中的應(yīng)用快速發(fā)展, 國(guó)內(nèi)外農(nóng)業(yè)領(lǐng)域?qū)＜液蛯W(xué)者非常關(guān)注和重視智能算法在農(nóng)業(yè)領(lǐng)域中應(yīng)用[1]。人工神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于能量需求、河流流水、天氣預(yù)報(bào)、債務(wù)風(fēng)險(xiǎn)、農(nóng)作物產(chǎn)量預(yù)測(cè)及環(huán)境評(píng)估等領(lǐng)域。Ermis等[2]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)分析了世界主要能源諸如碳、石油和天然氣的總量。Clair等[3]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型研究氣候變化對(duì)河水流量和環(huán)境的影響, 認(rèn)為人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)有效的非線性工具, 在研究水流輸出的非線性變化是非常合適的。Viotti等[4]根據(jù)1~2 d的氣象和交通數(shù)據(jù), 利用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)城市的污染物濃度, 結(jié)果表明該方法比傳統(tǒng)統(tǒng)計(jì)確定性模型的預(yù)測(cè)效果優(yōu)越。Khoshnevisan等[5]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)伊朗馬鈴薯()生產(chǎn)過(guò)程中的能量輸出。陳喜等[6]利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣候變化對(duì)博斯騰湖流域徑流的影響, 模型的效率系數(shù)在0.85到0.97之間, 模型較為可靠。Melesse等[7]利用人工神經(jīng)網(wǎng)絡(luò)算法模擬麥田、草地和森林生態(tài)系統(tǒng)CO2通量, 采用氣象參數(shù)和土壤通量訓(xùn)練人工網(wǎng)絡(luò)模型。紀(jì)廣月[8]通過(guò)收集1998—2008年中國(guó)碳排放及其影響因素資料, 基于人工神經(jīng)網(wǎng)絡(luò)模型對(duì)中國(guó)碳排放進(jìn)行預(yù)測(cè), 利用統(tǒng)計(jì)數(shù)據(jù)進(jìn)行模型訓(xùn)練和檢驗(yàn), 訓(xùn)練樣本預(yù)測(cè)平均誤差0.025 2, 驗(yàn)證樣本平均誤差0.006 6。

碳排放增加引起的全球氣候變暖成為人們普遍關(guān)注的焦點(diǎn), 人們開(kāi)始關(guān)注農(nóng)業(yè)生產(chǎn)引起的碳排放[9]。位于祁連山北麓的河西綠洲, 現(xiàn)已成為甘肅省著名的商品糧基地, 每年生產(chǎn)的糧食占全省年糧食總產(chǎn)量的30%以上, 提供了全省70%的商品糧[10]。玉米()是綠洲的主要農(nóng)作物, 準(zhǔn)確、系統(tǒng)評(píng)估綠洲玉米生產(chǎn)引起的碳排放研究尚鮮見(jiàn)報(bào)道。

國(guó)內(nèi)外研究表明, 智能算法在生態(tài)學(xué)研究中已得到廣泛應(yīng)用, 人工神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)河流流水、天氣預(yù)報(bào)及復(fù)雜生態(tài)系統(tǒng)等方面的非線性變化能力突出, 人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)領(lǐng)域碳排放研究中可作為分類、建模和預(yù)測(cè)的科學(xué)工具。國(guó)內(nèi)外學(xué)者運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)做了大量研究工作, 主要針對(duì)水文和氣象變化預(yù)測(cè), 而對(duì)于作物生產(chǎn)碳排放預(yù)測(cè)研究不足, 存在預(yù)測(cè)指標(biāo)單一、預(yù)測(cè)精度不高等問(wèn)題, 導(dǎo)致研究者和管理者質(zhì)疑預(yù)測(cè)結(jié)果的科學(xué)性。同時(shí), 學(xué)術(shù)界農(nóng)業(yè)生產(chǎn)碳排放的研究主要集中在排放源確定、排放系數(shù)計(jì)算、碳排放量估算以及影響因素等方面, 而針對(duì)生產(chǎn)投入導(dǎo)致作物碳排放預(yù)測(cè)研究薄弱。人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)上應(yīng)用較多, 如作物產(chǎn)量、土壤養(yǎng)分、耕地質(zhì)量、病蟲(chóng)害、氣象因子預(yù)測(cè)等。有鑒于此, 本文在前人工作的基礎(chǔ)上, 針對(duì)如何客觀預(yù)測(cè)綠洲玉米生產(chǎn)碳排放這一重要命題, 基于BP人工神經(jīng)網(wǎng)絡(luò)算法, 聯(lián)結(jié)農(nóng)戶調(diào)查和碳排放系數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預(yù)測(cè)模型, 并對(duì)預(yù)測(cè)模型有效性進(jìn)行評(píng)估, 該研究可為準(zhǔn)確預(yù)測(cè)農(nóng)業(yè)生產(chǎn)碳排放提供新思路和可操作方法。

1 材料與方法

1.1 數(shù)據(jù)收集及處理

研究區(qū)位于甘肅省民勤縣(103°05′E, 38°38′N), 選取河西綠洲246家玉米種植面積介于0.20~0.27 hm2的農(nóng)戶, 面對(duì)面調(diào)查農(nóng)戶勞動(dòng)力數(shù)量、玉米種植面積、播種量、化肥投入、有機(jī)肥、地膜用量、機(jī)械燃油、灌溉用電和農(nóng)藥投入數(shù)據(jù), 查閱和梳理國(guó)內(nèi)外玉米生產(chǎn)各環(huán)節(jié)碳排放系數(shù)(表1)。按照“就近原則”, 先選擇接近研究區(qū)的碳排放系數(shù), 其次選擇國(guó)外報(bào)道的系數(shù)值。農(nóng)場(chǎng)內(nèi)農(nóng)戶尺度玉米生產(chǎn)碳排放值計(jì)算[11]如公式(1)所示。

corn=(labor×labor+seed×seed+fer×fer+manure×manure+mulch×mulch+df×df+pes×pes+ie×ie)×corn/DM(1)

式中:corn表示玉米碳排放總量[kg(CO2-eq)?kg-1(DM)],labor、seed、fer、manuremulch、df、pes、ie、corn和DM分別表示勞動(dòng)力投入數(shù)量(人×hm-2)、種子用量(kg×hm-2)、化肥投入量(kg×hm-2)、農(nóng)家肥投入量(kg×hm-2)、地膜用量(kg×hm-2)、機(jī)械柴油用量(L×hm-2)、農(nóng)藥用量(kg×hm-2)、灌溉用電(kW×h×hm-2)、玉米種植總面積(hm2)和玉米總干物質(zhì)產(chǎn)量(kg),labor、seed、fer、manure、mulch、df、pes、ie分別表示表1中羅列的勞動(dòng)力、種子生產(chǎn)、化肥生產(chǎn)與使用、農(nóng)家肥使用、地膜生產(chǎn)、機(jī)械柴油、農(nóng)藥生產(chǎn)和灌溉用電的碳排放系數(shù)。

表1 玉米生產(chǎn)過(guò)程各環(huán)節(jié)的碳排放系數(shù)

為了統(tǒng)一度量玉米生產(chǎn)碳排放, 國(guó)際氣候變化委員會(huì)(Intergovernmental Panel on Climate Change, IPCC)規(guī)定以CO2為度量溫室效應(yīng)的基本單位, 即1 t CO2-eq=25 t CH4=298 t N2O。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

Topuz[20]認(rèn)為人工神經(jīng)網(wǎng)絡(luò)基于計(jì)算模型, 該模型通過(guò)模擬人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行信息處理。常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層3部分組成, 每層均由稱為節(jié)點(diǎn)的元素組成。在人工神經(jīng)網(wǎng)絡(luò)應(yīng)用研究中, 作為前向網(wǎng)絡(luò)核心部分的BP(Back-propagation, BP)神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用范圍較為普遍[21]。

BP神經(jīng)網(wǎng)絡(luò)是監(jiān)督式學(xué)習(xí)算法, 其學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成, 輸入樣本從輸入層不經(jīng)過(guò)任何計(jì)算進(jìn)行輸入, 輸入層節(jié)點(diǎn)的個(gè)數(shù)通常取輸入向量的維數(shù)。隱含層通過(guò)激活函數(shù), 通過(guò)反復(fù)試湊的方法確定隱含層節(jié)點(diǎn)個(gè)數(shù)。輸出節(jié)點(diǎn)的個(gè)數(shù)通常取輸出向量的維數(shù), 若輸出層的實(shí)際輸出與期望的輸出不等, 則轉(zhuǎn)到誤差的反向傳播階段。信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程, 是周而復(fù)始進(jìn)行的。權(quán)值不斷調(diào)整的過(guò)程, 也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)路輸出的誤差減少到可接受的程度, 或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)時(shí)間, 或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。根據(jù)Kolmogorov定理, 具有1個(gè)隱層的3層BP神經(jīng)網(wǎng)絡(luò)能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)[5]。本研究選擇單隱層BP神經(jīng)網(wǎng)絡(luò), 如圖1所示。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的玉米生產(chǎn)碳排放預(yù)測(cè)模型

式中: 激活函數(shù)()為單極性函數(shù), 如公式(4):

()=1/(1+e) (4)

()具有連續(xù)可導(dǎo)的特點(diǎn), 根據(jù)應(yīng)用需要,()可為雙極性函數(shù), 如公式(5):

()= (1-e)/(1+e) (5)

BP神經(jīng)網(wǎng)絡(luò)算法性能評(píng)價(jià)通過(guò)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)和實(shí)際數(shù)據(jù)的差值大小來(lái)衡量[4], 如公式(6):

式中:為訓(xùn)練集向量數(shù)據(jù)索引,為輸出向量數(shù)據(jù)索引,t為期望輸出向量,z為輸出層輸出向量?；谏鲜鲈? 選擇相關(guān)系數(shù)(coefficient of correlation,2)、均方根誤差(root mean square error,RMSE)和平均絕對(duì)誤差(mean absolute error, MAE)進(jìn)行模型的驗(yàn)證。

式中:為數(shù)據(jù)集樣本量,t為第個(gè)樣本實(shí)測(cè)值,z為第個(gè)樣本的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。

1.3 多重共線性診斷

為證明多元回歸模型可靠性, 該研究運(yùn)用貝爾斯利等[22]提出的條件數(shù)與病態(tài)指數(shù)診斷方法, 定義為公式(10):

式中:為自變量的相關(guān)系數(shù)矩陣;max()、min()分別為矩陣的最大和最小特征值;(R)表示多重共線性程度。該診斷方法規(guī)定: 若(R)<100, 則認(rèn)為共線程度很小; 若100≤(R)<1 000, 則認(rèn)為存在中等程度或較強(qiáng)的共線程度; 若(R)>1 000, 則認(rèn)為存在嚴(yán)重的多重共線性。

基于多重共線性診斷方法, 本研究選擇Matlab2014Ra, 利用其相關(guān)系數(shù)函數(shù)corrcoef( )、特征值函數(shù)eig( )計(jì)算得出研究區(qū)玉米生產(chǎn)各投入自變量之間線性程度(R)= –2.747 9e+18 <100, 即共線程度很小。

多元線性回歸和多元非線性回歸模型的編程實(shí)現(xiàn)同樣在Matlab2014Ra環(huán)境中, 選擇多元線性回歸函數(shù)Regress( )和多元非線性回歸函數(shù)nlinfit( )進(jìn)行驗(yàn)證實(shí)驗(yàn), 多元線性回歸Regress( )函數(shù)建立的模型如公式(11):

考慮到多元非線性模型的多態(tài)性, 本研究利用多元非線性回歸函數(shù)nlinfit( )建立兩種模型進(jìn)行算法有效性驗(yàn)證, 其模型如公式(12)和(13):

1.4 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)處理

本研究選擇Matlab2014Ra作為BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)驗(yàn)環(huán)境, 并對(duì)246家農(nóng)戶數(shù)據(jù)進(jìn)行隨機(jī)劃分[23], 其中訓(xùn)練集占60%, 驗(yàn)證集占25%, 測(cè)試集占15%, 訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)據(jù)量依次為148、62和36。輸入層數(shù)據(jù)包括勞動(dòng)力數(shù)量、玉米種植面積、種子生產(chǎn)碳排放、化肥碳排放、有機(jī)肥碳排放、地膜生產(chǎn)碳排放、機(jī)械燃油碳排放、農(nóng)藥碳排放和灌溉用電碳排放, 農(nóng)戶玉米生產(chǎn)碳排放總量作為輸出層, 運(yùn)用歸一化函數(shù)premnmx( )將輸入數(shù)據(jù)或輸出數(shù)據(jù)進(jìn)行歸一化處理。選擇BP網(wǎng)絡(luò)創(chuàng)建函數(shù)feedforwardnet( )建立BP網(wǎng)絡(luò)結(jié)構(gòu), 隱含層隱層神經(jīng)元數(shù)設(shè)為1到15, 輸出層為1個(gè)神經(jīng)元。選擇隱含層和輸出層神經(jīng)元傳遞函數(shù)tansig( )函數(shù)和purelin( )函數(shù)。采用Levenberg-Marquardt算法, 為尋找最優(yōu)預(yù)測(cè)結(jié)構(gòu), 對(duì)隱含層節(jié)點(diǎn)進(jìn)行逐點(diǎn)測(cè)試。

2 結(jié)果與分析

2.1 民勤綠洲玉米生產(chǎn)碳排放評(píng)估試驗(yàn)結(jié)果

民勤綠洲農(nóng)場(chǎng)內(nèi)農(nóng)戶尺度基于碳足跡生命周期的玉米生產(chǎn)碳排放值為0.758kg(CO2-eq)?kg-1(DM), 而其基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值為0.763kg(CO2-eq)?kg-1(DM), 9-10-1結(jié)構(gòu)為最優(yōu)BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)構(gòu)(圖1), 即9節(jié)點(diǎn)輸入層, 10節(jié)點(diǎn)隱含層和1節(jié)點(diǎn)輸出層。在訓(xùn)練期和驗(yàn)證期, 隱含節(jié)點(diǎn)為10的RMSE、MAE和MSE均比其他任何節(jié)點(diǎn)都小, 分別為0.063 8(訓(xùn)練期RMSE)、0.043 6(訓(xùn)練期MAE)、1.49E-04(訓(xùn)練期MSE)、0.067 1(驗(yàn)證期RMSE)、0.050 7(驗(yàn)證期MAE)和2.51E-04(驗(yàn)證期MSE), 其相關(guān)系數(shù)均比其他任何節(jié)點(diǎn)大, 分別為0.985 8(訓(xùn)練期2)和0.984 2(驗(yàn)證期2), 統(tǒng)計(jì)值如表2所示。

表2 單隱含層不同節(jié)點(diǎn)數(shù)中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練集與驗(yàn)證集玉米生產(chǎn)碳排放的均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、R2和均方誤差(MSE)

1)最優(yōu)BP結(jié)構(gòu)。1) The best topology.

2.2 算法有效性驗(yàn)證

為了驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)算法對(duì)碳排放評(píng)估的有效性, 本研究選擇多元線性回歸模型[公式(11)]和多元非線性回歸模型[公式(12)、(13)], 選擇測(cè)試集數(shù)據(jù)預(yù)測(cè)玉米生產(chǎn)碳排放值, 并與9-10-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)的碳排放值進(jìn)行比較, 以相關(guān)系數(shù)2、均方根誤差RMSE和平均絕對(duì)誤差MAE作為評(píng)價(jià)標(biāo)準(zhǔn), 從而證明BP神經(jīng)網(wǎng)絡(luò)算法的有效性。相關(guān)系數(shù)2越接近于1說(shuō)明預(yù)測(cè)程度越好, 均方根誤差RMSE和平均絕對(duì)誤差MAE越小說(shuō)明預(yù)測(cè)的效果越好。

結(jié)果表明, 測(cè)試集BP神經(jīng)網(wǎng)絡(luò)中RMSE(0.069 1)、MAE(0.051 3)均比多元線性回歸和多元非線性回歸模型小, 并且BP神經(jīng)網(wǎng)絡(luò)中2(0.984 7)比其他模型的2值高(表3)。說(shuō)明BP神經(jīng)網(wǎng)絡(luò)算法能夠有效預(yù)測(cè)河西綠洲玉米生產(chǎn)碳排放。

表3 測(cè)試集BP神經(jīng)網(wǎng)絡(luò)、非線性回歸和線性回歸模型預(yù)測(cè)玉米生產(chǎn)碳排放的根誤差(RMSE)、平均絕對(duì)誤差(MAE)和R2統(tǒng)計(jì)值

1) 最優(yōu)模型。1) The best model.

3 討論

BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于農(nóng)業(yè)生態(tài)學(xué)領(lǐng)域的預(yù)測(cè)研究, 為了建立更好的網(wǎng)絡(luò)結(jié)構(gòu)模型, 隱含層個(gè)數(shù)需要不斷訓(xùn)練才能確定[23]。本研究隱含層個(gè)數(shù)10多于Khoshnevisan等[5]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)伊朗馬鈴薯生產(chǎn)過(guò)程中的能量輸出模型中的隱含層個(gè)數(shù)8, 但與?akmak等[24]運(yùn)用相同算法預(yù)測(cè)葡萄()干燥速率的隱含層個(gè)數(shù)一致。相似的是, 本研究的預(yù)測(cè)相關(guān)系數(shù)0.984 7低于?akmak報(bào)道的0.999 1, 但高于Khoshnevisan等[5]報(bào)道的0.98和Melesse等[7]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)森林生態(tài)系統(tǒng)CO2通量的相關(guān)系數(shù)0.94, 也高于陳喜等[6]利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣候變化對(duì)博斯騰湖流域徑流的影響相關(guān)系數(shù)0.97。作物碳足跡邊界、測(cè)算內(nèi)容、生產(chǎn)投入、產(chǎn)量等因素是影響作物碳排放值的關(guān)鍵因素, 同時(shí), 作物碳足跡受區(qū)域氣候條件、農(nóng)作措施、土壤、產(chǎn)量及社會(huì)經(jīng)濟(jì)等多因素的影響, 以及相同種植模式在不同區(qū)域都會(huì)存在差異[11]。本研究玉米碳排放預(yù)測(cè)值高于梁修如[25]運(yùn)用生命周期法測(cè)算的國(guó)內(nèi)出口玉米碳排放值[0.54 kg(CO2-eq)×kg-1(grain)], 其碳足跡測(cè)算內(nèi)容未考慮種子生產(chǎn)、勞動(dòng)力投入、農(nóng)家肥投入、施肥引起的土壤碳排放量和籽實(shí)含水量; 也高于史磊剛等[11]和曾憲芳等[19]分別運(yùn)用碳足跡法測(cè)算的河北吳橋縣和寧夏平羅縣的玉米碳排放值[0.29 kg(CO2-eq)×kg-1(products)], 其均未考慮勞動(dòng)力投入、地膜生產(chǎn)、農(nóng)家肥投入的碳排放和土壤施氮肥引起的農(nóng)田N2O排放。但本研究玉米碳排放預(yù)測(cè)值接近Ma等[26]實(shí)測(cè)的北美地區(qū)玉米生產(chǎn)碳排放值[0.756 kg(CO2-eq)×kg-1(grain)]。

本研究提出的基于BP神經(jīng)網(wǎng)絡(luò)的玉米生產(chǎn)碳排放預(yù)測(cè)模型優(yōu)于其他線性和非線性模型, 但研究仍存在不確定。首先, 由于研究區(qū)農(nóng)業(yè)生產(chǎn)投入的碳排放系數(shù)主要引用文獻(xiàn)和IPCC報(bào)告數(shù)據(jù), 碳排放系數(shù)值具有不確定性。其次, 246家農(nóng)戶的玉米種植面積介于0.20~0.27 hm2, 調(diào)查數(shù)據(jù)略有差異。上述不確定因素主要源于國(guó)內(nèi)及研究區(qū)作物生產(chǎn)碳排放實(shí)測(cè)數(shù)據(jù)不足。

4 結(jié)論

本研究通過(guò)面對(duì)面調(diào)查246家玉米種植戶生產(chǎn)投入數(shù)據(jù), 查閱和梳理相似區(qū)域公開(kāi)發(fā)表的玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 主要運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)河西綠洲玉米生產(chǎn)碳排放進(jìn)行評(píng)估, 對(duì)比研究訓(xùn)練集和驗(yàn)證集BP神經(jīng)網(wǎng)絡(luò)隱含層不同節(jié)點(diǎn)對(duì)應(yīng)的RMSE、MAE和2值, 并對(duì)BP神經(jīng)網(wǎng)絡(luò)算法性能進(jìn)行評(píng)價(jià)。研究表明, 9-10-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠很好地預(yù)測(cè)河西綠洲玉米生產(chǎn)碳排放。在評(píng)估河西綠洲玉米生產(chǎn)碳排放方面, BP神經(jīng)網(wǎng)絡(luò)算法要優(yōu)于其他線性及非線性模型, 該算法能夠有效預(yù)測(cè)河西綠洲玉米生產(chǎn)碳排放, 該研究將為準(zhǔn)確預(yù)測(cè)農(nóng)業(yè)生產(chǎn)碳排放提供思路和參考方法。

[1] LIU Z L, PENG C H, XIANG W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview[J]. Chinese Science Bulletin, 2010, 55(34): 3853–3863

[2] ERMIS K, MIDILLI A, DINCER I, et al. Artificial neural network analysis of world green energy use[J]. Energy Policy, 2007, 35(3): 1731–1743

[3] CLAIR T A, EHRMAN J M. Variations in discharge and dissolved organic carbon and nitrogen export from terrestrial basins with changes in climate: A neural network approach[J]. Limnology and Oceanography, 1996, 41(5): 921–927

[4] VIOTTI P, LIUTI G, GENOVA P D. Atmospheric urban pollution: Applications of an artificial neural network (ANN) to the city of Perugia[J]. Ecological Modelling, 2002, 148(1): 27–46

[5] KHOSHNEVISAN B, RAFIEE S, OMID M, et al. Application of artificial neural networks for prediction of output energy and GHG emissions in potato production in Iran[J]. Agricultural Systems, 2014, 123: 120–127

[6] 陳喜, 吳敬祿, 王玲. 人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣候變化對(duì)博斯騰湖流域徑流影響[J]. 湖泊科學(xué), 2005, 17(3): 207–212CHEN X, WU J L, WANG L. Prediction of climate change impacts on streamflow of lake Bosten using artificial neural network model[J]. Journal of Lake Sciences, 2005, 17(3): 207–212

[7] MELESSE A M, HANLEY R S. Artificial neural network application for multi-ecosystem carbon flux simulation[J]. Ecological Modelling, 2005, 189(3/4): 305–314

[8] 紀(jì)廣月. 基于灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型在中國(guó)碳排放預(yù)測(cè)中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2014, 44(14): 243–249 JI G Y. Application of BP neural network model in the prediction of China’s carbon emissions based on grey correlation analysis[J]. Mathematics in Practice and Theory, 2014, 44(14): 243–249

[9] 李明峰, 董云社, 耿元波, 等. 農(nóng)業(yè)生產(chǎn)的溫室氣體排放研究進(jìn)展[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2003, 34(2): 311–314 LI M F, DONG Y S, GENG Y B, et al. Progress of study on emissions of greenhouse gases of agriculture[J]. Journal of Shandong Agricultural University: Natural Science, 2003, 34(2): 311–314

[10] 陳昌毓. 河西走廊糧倉(cāng)的生態(tài)環(huán)境代價(jià)[J]. 大自然, 2013, (6): 21–22 CHEN C Y. The cost of ecological environment for granary in Hexi Oasis[J]. China Nature, 2013, (6): 21–22

[11] 史磊剛, 陳阜, 孔凡磊, 等. 華北平原冬小麥-夏玉米種植模式碳足跡研究[J]. 中國(guó)人口?資源與環(huán)境, 2011, 21(9): 93–98 SHI L G, CHEN F, KONG F L, et al. The carbon footprint of winter wheat-summer maize cropping pattern on North China Plain[J]. China Population Resources and Environment, 2011, 21(9): 93–98

[12] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

[13] 逯非, 王效科, 韓冰, 等. 中國(guó)農(nóng)田施用化學(xué)氮肥的固碳潛力及其有效性評(píng)價(jià)[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2008, 19(10): 2239–2250 LU F, WANG X K, HAN B, et al. Assessment on the availability of nitrogen fertilization in improving carbon sequestration potential of China’s cropland soil[J]. Chinese Journal of Applied Ecology, 2008, 19(10): 2239–2250

[14] CHENG K, PAN G X, SMITH P, et al. Carbon footprint of China’s crop production — An estimation using agro-statistics data over 1993–2007[J]. Agriculture, Ecosystems and Environment, 2011, 142(3/4): 231–237

[15] DUBEY A, LAL R. Carbon footprint and sustainability of agricultural production systems in Punjab, India, and Ohio, USA[J]. Journal of Crop Improvement, 2009, 23(4): 332–350

[16] ADOM F, MAES A, WORKMAN C, et al. Regional carbon footprint analysis of dairy feeds for milk production in the USA[J]. The International Journal of Life Cycle Assessment, 2012, 17(5): 520–534

[17] Intergovernmental Panel on Climate Change (IPCC). 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Hayama, Japan: Institute for Global Environmental Strategies, 2006

[18] 柯水發(fā), 李彪, 楊育紅, 等. 林場(chǎng)運(yùn)營(yíng)碳足跡及林木資源碳儲(chǔ)量測(cè)算——以內(nèi)蒙古赤峰市旺業(yè)甸林場(chǎng)為例[J]. 林業(yè)經(jīng)濟(jì), 2013, (9): 93-101 KE S F, LI B, YANG Y H, et al. The evaluation of carbon footprint from the operation of forest farm and carbon storage by forest resources — Based on the Wangyedian Forest Farm in Chifeng of Inner Mongolia[J]. Forestry Economics, 2013, (9): 93–101

[19] 曾憲芳, 趙世偉, 李曉曉, 等. 寧夏回族自治區(qū)平羅縣主要農(nóng)作物碳足跡研究[J]. 水土保持通報(bào), 2012, 32(5): 61–65 ZENG X F, ZHAO S W, LI X X, et al. Main crops carbon footprint in Pingluo County of the Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2012, 32(5): 61–65

[20] TOPUZ A. Predicting moisture content of agricultural products using artificial neural networks[J]. Advances in Engineering Software, 2010, 41(3): 464–470

[21] 樊振宇. BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J]. 軟件導(dǎo)刊, 2011, 10(7): 66–68 FAN Z Y. The model and algorithm of BP neural network[J]. Software Guide, 2011, 10(7): 66–68

[22] 趙松山, 白雪梅. 關(guān)于多重共線性檢驗(yàn)方法的研究[J]. 中國(guó)煤炭經(jīng)濟(jì)學(xué)院學(xué)報(bào), 2001, 15(4): 296–300 ZHAO S S, BAI X M. Research on the test for multi-co linearity[J]. Journal of China Coal Economic College, 2001, 15(4): 296–300

[23] 沈花玉, 王兆霞, 高成耀, 等. BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J]. 天津理工大學(xué)學(xué)報(bào), 2008, 24(5): 13–15SHEN H Y, WANG Z X, GAO C Y, et al. Determining the number of BP neural network hidden layer units[J]. Journal of Tianjin University of Technology, 2008, 24(5): 13–15

[24] ?AKMAK G, YILDIZ C. The prediction of seedy grape drying rate using a neural network method[J]. Computers and Electronics in Agriculture, 2011, 75(1): 132–138

[25] 梁修如. 我國(guó)出口谷物產(chǎn)品的碳足跡分析[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2015: 22–23LIANG X R. Carbon footprint of Chinese export grains[D]. Hefei: University of Sciences and Technology of China, 2015: 22–23

[26] MA B L, LIANG B C, BISWAS D K, et al. The carbon footprint of maize production as affected by nitrogen fertilizer and maize-legume rotations[J]. Nutrient Cycling in Agroecosystems, 2012, 94(1): 15–31

Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis*

YAN Zhengang1, LI Wei2, YAN Tianhai3, WANG Jun1, CHEN Lei1, LU Yulan1, LIU Huan1, TANG Jie1, ZHANG Lei1, CHEN Yujuan1, CHANG Shenghua4, HOU Fujiang4

(1. College of Information & Science Technology, Gansu Agricultural University, Lanzhou 730070, China; 2. College of Finance & Economics, Gansu Agricultural University, Lanzhou 730070, China; 3. Agri-Food and Biosciences Institute, Hillsborough, Co. Down BT26 6DR, United Kingdom; 4. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730000, China)

Back-propagation (BP) neural network has been widely used in global climate change researches in recent years. There is also increasing research interests in the application of BP neural network on predicting carbon emission from agricultural lands. Hexi Oasis in the northern side of Qilian Mountain accounts for over 30% of total grain and over 70% of commercial grain production in Gansu Province, of which corn is the primary food crop. However, there has been little research in carbon emissions from corn fields in Hexi Oasis. Therefore, the objectives of this study were to predict carbon emissions from corn production in Hexi Oasis using BP neural network algorithm and to validate the performance of BP neural network algorithm against multiple linear regression and non-linear regression models. This study was done in Minqin Oasis (103°05′E, 38°38′N) located at the downstream of Shiyanghe River in Hexi Corridor. Data were collected on 246 local farms in a face-to-face questionnaire-driven survey. The data of production inputs were used as the inputs for the model in farm and the value of carbon emissions calculated using life-cycle assessment based on carbon emission factors published in the literatures about the similar regions and default figures reported by Inter-governmental Panel on Climate Change (IPCC). In order to predict carbon emissions based on BP neural network, the numbers of node in the hidden layer were calculated by trial and error. The results indicated that neural network structure with three layers predicted carbon emissions in corn productions in Hexi Oasis and the number of nodes for the input layer, hidden layer and output layer were 9, 10 and 1, respectively. The evaluated carbon emission was 0.763 kg(CO2-eq)?kg-1(DM) in the study area. To verify the validity of the BP neural network model, multiple linear regression and non-linear regression models were developed using the same dataset.The results indicated that the correlation coefficient (2= 0.984 7) of BP neural network model with the 9-10-1 structure was higher than that for the corresponding multiple linear regression and non-linear regression models. Also the root mean square error (RMSE = 0.069 1) and mean absolute error (MAE = 0.051 3) of BP model were lower than those of the corresponding multiple linear regression and non-linear regression models. Therefore, the performance of BP neural network model was better than that of the regression models. The BP neural network model developed in this study using data collected from the local farms in Hexi Oaiss combined the local practices and regional carbon emission factors, consequently providing a practical tool applicable in the prediction of carbon emissions in corn fields. Moreover, the validity of BP neural network model was also verified through comparison with multiple linear regression and non-linear regression models, which improved the reliability of its practical application. Therefore, the results of this study contributed new ideas and development methods to accurately predict carbon emissions in agricultural fields for the government and scientific community.

BP neural network; Corn production; Carbon emission; Algorithm validity; Life cycle assessment; Prediction model

, YAN Zhengang, E-mail: yanzhg@gsau.edu.cn

Jan. 17, 2018;

Apr. 24, 2018

TP399

A

1671-3990(2018)08-1100-07

10.13930/j.cnki.cjea.180084

2018-01-17

2018-04-24

* This research was funded by the National Natural Science Foundation of China (31660347).

* 國(guó)家自然科學(xué)基金項(xiàng)目(31660347)資助

燕振剛, 主要研究方向?yàn)樾畔⒓夹g(shù)在農(nóng)業(yè)中的應(yīng)用。E-mail: yanzhg@gsau.edu.cn

燕振剛, 李薇, Yan Tianhai, 王鈞, 陳蕾, 逯玉蘭, 劉歡, 唐潔, 張磊, 陳玉娟, 常生華, 侯扶江. BP神經(jīng)網(wǎng)絡(luò)算法在河西綠洲玉米生產(chǎn)碳排放評(píng)估中的應(yīng)用及算法有效性研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2018, 26(8): 1100-1106

YAN Z G, LI W, YAN T H, WANG J, CHEN L, LU Y L, LIU H, TANG J, ZHANG L, CHEN Y J, CHANG S H, HOU F J. Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1100-1106