張顧 任義方 肖良文 史瀟 羅曉春 敖意

摘要：在奶牛品種、生理因素以及管理條件相對穩(wěn)定可控的情況下，氣象因素是影響產(chǎn)奶量的重要因素。利用主成分分析法研究氣象因素對產(chǎn)奶量的影響，并與相關(guān)分析法結(jié)果進(jìn)行比較，確定影響江蘇地區(qū)荷斯坦奶牛產(chǎn)奶量的主要氣象因素和關(guān)鍵時期;在此基礎(chǔ)上，構(gòu)建考慮氣象因素下基于BP（back propagation）神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型。結(jié)果表明，產(chǎn)奶量與溫度、濕度呈明顯負(fù)相關(guān)，與風(fēng)速、降水量呈負(fù)相關(guān)，與日照時長、能見度呈明顯正相關(guān);主成分分析法得到的3個主成分因子（溫度因子、天氣因子、雨量因子）累積貢獻(xiàn)率達(dá)0.794 3;較相關(guān)分析法，主成分分析法充分考慮氣象因素的協(xié)同關(guān)系，分析結(jié)果更符合實際情況。考慮氣象因素條件下基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型檢驗樣本的決定系數(shù)達(dá)0.65，相對誤差達(dá)9.48%，精確性、穩(wěn)定性均較好。研究結(jié)果對江蘇地區(qū)奶牛管理和牛奶生產(chǎn)提供環(huán)境控制依據(jù)具有重要意義。

關(guān)鍵詞：荷斯坦奶牛;產(chǎn)奶量;氣象因素;主成分分析;BP神經(jīng)網(wǎng)絡(luò);預(yù)測模型

中圖分類號：S823.9+1;S811.1 ??文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2020）23-0150-05

奶業(yè)是江蘇現(xiàn)代農(nóng)業(yè)和食品工業(yè)發(fā)展的重點產(chǎn)業(yè)，2018年末全省存欄13.4萬頭奶牛，生鮮乳年產(chǎn)量50.0萬t[1]，產(chǎn)奶量是衡量奶牛泌乳性能的主要指標(biāo)，為保障產(chǎn)奶量穩(wěn)定，分析并控制其影響因素是基本途徑。影響產(chǎn)奶量的因素[2-4]主要包括內(nèi)因（奶牛品種、生理因素等）和外因（氣象環(huán)境因素、飼養(yǎng)管理因素等），在奶牛品種、生理因素和管理條件相對穩(wěn)定可控的情況下，氣象因素是影響奶牛產(chǎn)奶量的重要因素[5-6]。江蘇地區(qū)氣候特點顯著，夏季炎熱高溫，降水集中，雨熱同期;冬季寒冷干燥，降水較少;春秋短促，氣象條件多變。江蘇地區(qū)獨特的氣象條件給奶牛的生長發(fā)育和產(chǎn)奶帶來諸多影響。

有學(xué)者就氣象因素與產(chǎn)奶量的關(guān)系已進(jìn)行了諸多研究。Trajchev等利用線性混合模型，發(fā)現(xiàn)高溫易導(dǎo)致產(chǎn)奶量大幅下降[7];West等基于數(shù)理統(tǒng)計法發(fā)現(xiàn)，溫度、濕度和溫濕度指數(shù)對產(chǎn)奶量影響較大[8];魏學(xué)占等利用相關(guān)分析發(fā)現(xiàn)，溫濕度、氣壓是烏蘭浩特地區(qū)春秋季節(jié)奶牛產(chǎn)奶量的主要影響因子[9];陳志英等基于多元線性回歸定量分析氣象因素對黑龍江地區(qū)產(chǎn)奶量的影響。結(jié)果表明，溫度、濕度和日照影響較大[10]。由此可見，學(xué)者大多利用相關(guān)分析和數(shù)理統(tǒng)計方法研究氣象因素對產(chǎn)奶量的影響，方法多側(cè)重于氣象單因素的影響及定性分析，但氣象因素之間存在協(xié)同作用，最終影響產(chǎn)奶量，因此有必要分析氣象多要素對產(chǎn)奶量的影響。

多數(shù)研究利用泌乳曲線分析奶牛個體泌乳規(guī)律，從而建立產(chǎn)奶量預(yù)測模型。Brody提出簡化指數(shù)模型擬合泌乳曲線，Wood考慮環(huán)境因素提出不完全伽瑪函數(shù)模型;王雅春等添加系數(shù)和校正值對Wood模型進(jìn)行改進(jìn)[11]，此外泌乳曲線擬合模型還包括逆多項式模型[12]、多項式回歸模型[13]、Wilmink 模型[14]等。由此可見，學(xué)者主要是針對個體的泌乳規(guī)律進(jìn)行研究，針對某牛場或某地區(qū)逐日或逐月產(chǎn)奶量的預(yù)測研究較少[15]，考慮溫度、濕度等氣象因素下預(yù)測產(chǎn)奶量的報道較少。

綜上所述，本試驗從產(chǎn)奶量與氣象因素的角度，首先利用主成分分析法研究氣象因素對產(chǎn)奶量的影響，并與傳統(tǒng)相關(guān)分析的結(jié)果比較，確定影響江蘇地區(qū)產(chǎn)奶量的主要氣象因素和關(guān)鍵時期;然后基于氣象因素與產(chǎn)奶量的關(guān)系，構(gòu)建考慮氣象因素下的基于BP（back propagation）神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型，并分析模型預(yù)測準(zhǔn)確度。研究結(jié)果對江蘇地區(qū)奶牛管理和牛奶生產(chǎn)提供環(huán)境控制依據(jù)具有重要意義。

1 材料與方法

1.1 研究資料

本研究選取南京衛(wèi)崗乳業(yè)有限公司泗洪牧場2017—2019年奶量記錄資料，資料內(nèi)容包括荷斯坦奶牛逐日信息數(shù)據(jù)、逐日牛奶總產(chǎn)量，并根據(jù)泌乳奶牛數(shù)量計算逐日產(chǎn)奶量（以下簡稱產(chǎn)奶量）;選取泗洪氣象站（站碼58135）相應(yīng)時間序列的氣象觀測資料，觀測要素包括日平均溫度、日最低溫度、日最高溫度、日平均相對濕度、日平均風(fēng)速、日累計降水量、日最低能見度、日照時長、氣壓。為保證資料一致性、準(zhǔn)確性，共保留775組數(shù)據(jù)。

1.2 研究方法

1.2.1 主成分分析法 主成分分析（principal component analysis，簡稱PCA）是一種將多指標(biāo)問題轉(zhuǎn)化為較少綜合指標(biāo)的統(tǒng)計方法，基本思路是借助正交變換，將分量相關(guān)的原隨機變量轉(zhuǎn)換為分量無關(guān)的新變量。在處理實際問題時，當(dāng)變量個數(shù)眾多且變量之間關(guān)系復(fù)雜，分析問題難度增加，借助主成分分析法可重新組合成無關(guān)的綜合變量[16]。主成分分析法廣泛應(yīng)用于動植物、生態(tài)等方面，近年來在奶牛飼養(yǎng)及其產(chǎn)奶量預(yù)測[17-18]上也有研究，方法可在不損失太多相關(guān)信息的基礎(chǔ)上進(jìn)行全面多性狀分析，選擇效果突出。

本研究利用主成分分析法分析氣象因素對產(chǎn)奶量的影響步驟如下：

（4）求解相關(guān)矩陣R的特征方程，得p個特征根λ1≥λ2≥…≥λp。

確定主成分?jǐn)?shù)量為m個，使累積貢獻(xiàn)率達(dá)80%左右，且各主成分特征根一般須大于1。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)模型 人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，簡稱ANN）利用非線性模擬技術(shù)擬合輸入輸出相互關(guān)系，BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛。BP神經(jīng)網(wǎng)絡(luò)由Rumelhart和Celland于1986年提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，算法基于Delta 學(xué)習(xí)規(guī)則，利用梯度搜索技術(shù)，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終實現(xiàn)網(wǎng)絡(luò)的實際輸出與期望輸出的均方差最小化[19-20]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、仿真能力強、易于實現(xiàn)，為考慮氣象因素的產(chǎn)奶量預(yù)測提供了新的途徑[21]。

本研究采用3層網(wǎng)絡(luò)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型（圖1），其拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層、輸出層，每層由一定數(shù)量的神經(jīng)元構(gòu)成，能夠執(zhí)行簡單并行運算。本研究輸入層為經(jīng)分析后的主成分氣象因素，輸出層為產(chǎn)奶量，關(guān)鍵是確定隱含層層數(shù)與節(jié)點。若隱含層節(jié)點數(shù)過少，則BP網(wǎng)絡(luò)獲取有效信息少，容錯性差;若節(jié)點數(shù)過多，則BP網(wǎng)絡(luò)樣本中非規(guī)律信息，泛化能力下降，因此確定合適的隱含層節(jié)點數(shù)非常重要[22]。學(xué)者提出大量確定方法，如試湊法、奇異值法和經(jīng)驗公式法等，本研究擬采用4種經(jīng)驗公式，并對比選取結(jié)果較好的隱含層節(jié)點數(shù)，公式為：

2 結(jié)果與分析

2.1 氣象因素對產(chǎn)奶量的影響

氣象觀測數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化處理、相關(guān)系數(shù)矩陣計算、特征根方程求解等，計算得出相關(guān)系數(shù)矩陣特征值和貢獻(xiàn)率（表1）。根據(jù)主成分因子選取原則，前3個成分特征根均大于1且累積貢獻(xiàn)率為79.43%，可反映氣象因素的大部分信息，因此將前3個成分作為主成分，并計算得出其特征向量。程序運行于MATLAB R2014a中。

由表2可知，在第1主成分中，日平均溫度、日最低溫度和日最高溫度載荷值較大且為負(fù)值，氣壓特征值也較大但為正值，江蘇地區(qū)長時間序列下溫度越高，氣壓越小，可知產(chǎn)奶量與溫度呈明顯負(fù)相關(guān)，這是由于荷斯坦奶牛耐冷不耐熱，最適宜溫度為10～16 ℃，當(dāng)溫度超過25 ℃時，奶牛出現(xiàn)呼吸急促、食欲不振，產(chǎn)奶量受到影響，因此可將第1主成分作為溫度因子。在第2主成分中，日平均相對濕度較大且為負(fù)值、日最低能見度和日照時長較大且為正值，江蘇地區(qū)能見度與天氣良好相關(guān)性強，且產(chǎn)奶量與濕度呈負(fù)相關(guān)、與日照時長、能見度呈明顯正相關(guān)，這是由于氣溫超過25 ℃時，奶牛主要依靠蒸發(fā)散熱，濕度越大，與蒸發(fā)面水汽壓和空氣水汽壓之差越小，蒸發(fā)散熱量越小，奶牛產(chǎn)生劇烈熱應(yīng)激，影響產(chǎn)奶量[23]，因此可將第2主成分作為天氣因子。在第3主成分中，日平均風(fēng)速和日累計降水量較大且為負(fù)值，可見產(chǎn)奶量與風(fēng)速、降水量呈負(fù)相關(guān)，這是因為降水和大風(fēng)過程常伴隨降溫、增濕，濕冷的天氣易導(dǎo)致產(chǎn)奶量下降，因此可將第3主成分作為雨量因子。

為對比傳統(tǒng)方法，本研究同時基于SPSS 22進(jìn)行產(chǎn)奶量與氣象因素相關(guān)分析。由表3可知，溫度、濕度、降水量、能見度與產(chǎn)奶量的相關(guān)關(guān)系與主成分分析法所得結(jié)果一致，但相關(guān)分析中日照時長、氣壓與產(chǎn)奶量無明顯相關(guān)性，這與主成分分析得出的結(jié)果不一致，分析原因可知相關(guān)分析割裂了日照時長、氣壓與天氣、溫度的協(xié)同關(guān)系，而僅僅考慮了產(chǎn)奶量與其相關(guān)關(guān)系，這與實際情況不符;主成分分析法充分考慮了氣象因素之間的關(guān)系，分析結(jié)果更符合實際情況。根據(jù)3個主成分的特征向量，可得主成分與氣象因素的方程：

2.2 考慮氣象因素下的產(chǎn)奶量預(yù)測

本研究構(gòu)建考慮氣象因素下基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型，為排除時間因素對預(yù)測模型的影響，改進(jìn)樣本選取方法。首先將775個樣本數(shù)據(jù)隨機打亂順序，然后選取其中700個作為訓(xùn)練樣本，75個作為檢驗樣本。模型輸入層為經(jīng)主成分分析后的氣象因素，輸出層為產(chǎn)奶量，隱含層節(jié)點數(shù)由經(jīng)驗公式計算并經(jīng)試湊法驗證取19個節(jié)點。為防止過度訓(xùn)練，在設(shè)置訓(xùn)練參數(shù)時，迭代次數(shù)設(shè)定為 1 000，學(xué)習(xí)率為0.01，以均方根誤差（root mean square error，簡稱RMSE）作為訓(xùn)練停止指標(biāo)，當(dāng)RMSE小于0.01時停止訓(xùn)練，完成BP神經(jīng)網(wǎng)絡(luò)模型的建模，程序運行于MATLAB R2014a中，得到訓(xùn)練樣本模擬結(jié)果和檢驗樣本預(yù)測結(jié)果。

由圖2可知，訓(xùn)練集、驗證集和測試集的計算值與目標(biāo)值之間的相關(guān)系數(shù)為0.78、0.67、0.73，700組訓(xùn)練樣本相關(guān)系數(shù)達(dá)0.75，訓(xùn)練結(jié)果優(yōu)良。由圖3可知，在檢驗樣本中，考慮部分誤差較大值，相對誤差≤20%共有71個檢驗樣本，占比94.67%，相對誤差≤10%共有48個檢驗樣本，占比64%，75個檢驗樣本的預(yù)測值與真實值的決定系數(shù)達(dá)0.65，相對誤差達(dá)9.48%。由此可知，構(gòu)建的產(chǎn)奶量預(yù)測模型結(jié)果精確性、穩(wěn)定性均較好，同時操作性優(yōu)良。

3 結(jié)論與展望

本研究利用主成分分析法研究氣象因素對產(chǎn)奶量的影響，并與傳統(tǒng)相關(guān)分析結(jié)果比較，確定影響江蘇地區(qū)產(chǎn)奶量的主要氣象因素和關(guān)鍵時期，最終得到3個主成分因子，分別為日平均溫度、日最低溫度、日最高溫度和氣壓所表征的第1主成分（溫度因子），日平均相對濕度、日最低能見度和日照時長所表征的第2主成分（天氣因子），日平均風(fēng)速和日累計降水量所表征的第3主成分（雨量因子）;產(chǎn)奶量與溫度、濕度呈明顯負(fù)相關(guān)，與風(fēng)速、降水量呈負(fù)相關(guān)，與日照時長、能見度呈明顯正相關(guān);與傳統(tǒng)相關(guān)分析法相比，主成分分析法更充分考慮氣象因素的協(xié)同關(guān)系，分析結(jié)果更符合實際情況?；跉庀笠蛩嘏c產(chǎn)奶量的關(guān)系，構(gòu)建考慮氣象因素下基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型，模型預(yù)測結(jié)果顯示檢驗樣本平均相對誤差達(dá)9.48%，考慮部分誤差較大值，產(chǎn)奶量預(yù)測模型精確性、穩(wěn)定性均較好。

基于主成分分析法確定影響江蘇地區(qū)荷斯坦奶牛產(chǎn)奶量的主要氣象因素和關(guān)鍵時期，在實際生產(chǎn)中，可由牧場管理人員、工作人員與氣象服務(wù)部門交流對接，及時掌握影響關(guān)鍵時期和轉(zhuǎn)折天氣，更好制定和采取奶牛管理和牛奶生產(chǎn)的舉措?；贐P神經(jīng)網(wǎng)絡(luò)的產(chǎn)奶量預(yù)測模型中，今后研究除考慮氣象因素外，同時可考慮人工因素和管理因素，進(jìn)一步提高預(yù)測準(zhǔn)確性。

參考文獻(xiàn)：

[1]孫宏進(jìn).推動江蘇奶業(yè)高質(zhì)量發(fā)展[J]. 中國畜牧業(yè)，2019（14）：40-41.

[2]朱 坤，劉佳佳，查滿千，等. 不同速度的音樂對奶牛血液激素水平和產(chǎn)奶量的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（14）：123-125.

[3]馬捷瓊，劉纏民，陳 宏，等. 徐州荷斯坦牛NRAMP1基因多態(tài)性與產(chǎn)奶量通徑分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2007（1）：116-118.

[4]馬燕芬. 影響奶牛產(chǎn)奶量的因素[J]. 農(nóng)家顧問，2008（7）：48-49.

[5]姚焰礎(chǔ)，江 山，肖 融，等. 熱應(yīng)激對荷斯坦奶牛體溫和呼吸的影響[J]. 中國畜牧雜志，2012，48（11）：59-62，75.

[6]張志登，敬盈嘉，劉 影，等. 熱應(yīng)激對泌乳奶牛生理指標(biāo)及生產(chǎn)性能的影響[J]. 中國畜牧雜志，2020，56（4）：169-172.

[7]Trajchev M，Nakov D，Andonov S.The effect of thermal environment on daily milk yield of dairy cows[J]. Macedonian Veterinary Review，2016，39（2）：185-192.

[8]West J W，Mullinix B G，Bernard J K.Effects of hot，humid weather on milk temperature，dry matter intake，and milk yield of lactating dairy cows[J]. Journal of Dairy Science，2003，86（1）：232-242.

[9]魏學(xué)占，唐紅艷，楊忠霞，等. 氣象條件對奶牛產(chǎn)奶量的影響及對策[J]. 內(nèi)蒙古氣象，2009（3）：23-26.

[10]陳志英，陰 妮，池相河.氣象因素對黑龍江省奶牛產(chǎn)奶量影響分析[J]. 現(xiàn)代畜牧獸醫(yī)，2017（7）：44-48.

[11]王雅春，陳幼春，柏 榮，等. 奶牛泌乳曲線的擬合及其模型參數(shù)的遺傳分析[J]. 畜牧獸醫(yī)學(xué)報，1999，30（5）：399-404.

[12]張文龍. 新疆三個品種牛泌乳曲線的分析及產(chǎn)奶量校正系數(shù)的制定[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2013.

[13]Kocak O，Kiz B.Comparison of different lactation curve models in Holstein cows raised on a farm in the south-eastern Anatolia region[J]. Archiv fur Tierzucht，2008，51（4）：329-337.

[14]Otwinowska-Mindur A，Ptak E，Jagusiak W，et al. Modeling lactation curves of Polish Holstein-Friesian cows.Part Ⅰ：The accuracy of five lactation curve models[J]. Journal of Animal and Feed ences，2013，22（1）：19-25.

[15]李 欣，溫 萬，王新燕，等. 基于ARIMA模型對寧夏地區(qū)奶牛月平均產(chǎn)奶量的預(yù)測[J]. 黑龍江畜牧獸醫(yī)，2016（23）：99-102.

[16]張 鵬. 基于主成分分析的綜合評價研究[D]. 南京：南京理工大學(xué)，2004.

[17]王新峰，劉云芳，李明強，等. 主成分分析在奶牛產(chǎn)奶量選擇中的應(yīng)用[J]. 中國草食動物，2002，22（1）：8-9.

[18]陸呈委，鄧廷賢，譚正準(zhǔn)，等. 奶水牛乳房線性性狀主成分分析研究[J]. 中國牛業(yè)科學(xué)，2016，42（2）：1-3.

[19]劉彩紅. BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[J]. 西安工業(yè)大學(xué)學(xué)報，2012，32（9）：723-727.

[20]張永超，趙錄懷，王 昊，等. 基于環(huán)境氣體信息的BP神經(jīng)網(wǎng)絡(luò)蘋果貯藏品質(zhì)預(yù)測[J]. 江蘇農(nóng)業(yè)學(xué)報，2020，36（1）：194-198.

[21]李友坤. BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D]. 淮南：安徽理工大學(xué)，2012.

[22]蔡榮輝，崔雨軒，薛培靜. 三層BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)確定方法探究[J]. 電腦與信息技術(shù)，2017，25（5）：29-33.

[23]古少鵬，高斌戰(zhàn)，袁建琴，等. 溫度風(fēng)速對奶牛產(chǎn)乳量的影響[J]. 當(dāng)代畜牧，2001（4）：10-11.王裕玉，徐 跑，張志偉，等. 不同養(yǎng)殖模式對黑鯛生長、血清生化指標(biāo)及抗氧化性能的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（23）：155-160.