神经网络在精准农业中的应用研究进展
谢 东1，陈东城1，焦元启2，陈明周1
【摘 要】简单论述了人工神经网络的基本结构和原理，总结了人工神经网络在精准农业的应用，重点介绍了人工神经网络在农作物产量预测和虫害预测方面的应用，简略介绍了人工神经网络在农业智能专家系统、农作物生长方面的应用，并对人工神经网络在精准农业的应用前景进行了展望。 【期刊名称】广东农业科学 【年(卷),期】2011(038)008 【总页数】4
【关键词】神经网络；精准农业；产量；虫害；预测 【文献来源】
https://www.zhangqiaokeyan.com/academic-journal-cn_guangdong-agricultural-
sciences_thesis/020122202554.html
20世纪80年代初期，发达国家的农业科学家在从事作物栽培、土壤肥力、作物病虫草害管理研究时，开展了大量作物栽培模拟模型、作物管理与植保专家系统应用的研究，逐渐形成了一套精准农业的新理论。精准农业是指基于变异的一种田间管理手段。研究结果表明，农田里土壤、作物的特性并非均一的，而是随着时间、空间变化的。随着全球定位系统（GPS）、地理信息系统(GIS)、农业应用电子技术和作物栽培有关模拟模型以及生产管理决策支持系统(DDS)技术研究的发展，精准农业已成为主要发达国家合理利用农业资源、提高农作物产量、降低生产成本、改善生态环境的有效途径和最富有吸引力的前沿性研究领域之一[1-3]。
在精准农业研究中，对遥感等新技术收集到农业数据进行处理，变成有用的信
息至关重要。由于影响农业的因素众多，存在显著的非线性关系，因此传统的处理手段如多元回归已不能适应农业的发展。人工神经网络可模拟人思维的非线性动力学过程，具有良好的逼近能力和适应能力，可在不了解输入或输出变量间关系的前提下完成非线性建模。神经元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，具有很好的发展前景，也给预测系统带来了新的方向与突破，得到了广泛的应用[4]。本文介绍了人工神经网络在现代精准农业中的应用，主要围绕产量预测和虫害预测两大问题展开，也简单介绍了人工神经网络在其它方面的应用，以期为神经网络在精准农业中的大规模应用提供参考。
1 神经网络原理
1.1 神经元与神经网络
人工神经网络是一个能够学习、总结归纳的系统，能够通过已知数据的试验运用来学习和归纳总结。它通过对局部情况的对照比较，产生一个可以自动识别的系统。人工神经网络是由大量处理单元(人工神经元、处理元件、电子元件、光电元件等)经广泛互连而组成的人工网络，可用来模拟脑神经系统的结构和功能（图1、图2）。 1.2 神经网络分类
按网络的拓扑结构划分，人工神经网络可分为无反馈网络与有反馈网络；按网络的学习方法划分，可分为有教师的学习网络与无教师的学习网络；按网络的性能划分，既可分为连续型与离散型网络，又可分为确定型与随机型网络；按连接突触的性质划分，可分为一阶线性关联网络与高阶非线性关联网络。 1.3 神经网络模型的结构和构建
一般的神经网络模型有输入层、隐层和输出层。图3是一个典型的三层前向型神经网络的拓扑结构图。输入层和输出层的节点数由输入向量和输出向量的个数决定。隐层起训练模型的作用，其节点个数由经验和尝试法决定。以BP网络为例，建立神经网络主要就是要确定网络的层数、每层的节点数、节点激活函数、初始权值、学习算法等。这些参数设置有一定的指导原则，但更多的是靠经验和试凑[5]。
2 神经网络在精准农业中的应用
2.1 产量预测
2.1.1 经济农作物产量预测 甘蔗是我国重要的经济农作物，甘蔗产量的预测是制糖工业的一项重要技术管理工作。谢名洋等[6]首次将人工神经网络应用到甘蔗产量的预测中，将影响甘蔗产量的温度、雨量、日照量、湿度等气象因素以及施肥量、春秋植蔗、冬植蔗和宿根蔗等人工因素作为网络输入，甘蔗的产量为输出，建立三层误差反传BP神经网络模型，以广西忻城糖厂蔗区数据为样本进行训练，误差在-5.3%～10.2%内。欧钊荣等[7]选择与广西甘蔗产量相关系数通过0.01水平显著性检验的因子作为神经网络的输入，用Visual Basic 6.0软件建立了误差反传前向网络(BP神经网络)预报广西甘蔗产量，对2001—2005年的甘蔗产量进行预测，发现预测的平均误差为0.91%，逐步回归模型的误差为-1.01%。
植被指数是利用遥感卫星探测数据的线性或非线性组合而形成的，能很好地反映绿色植被生长状况和分布。Panda等[8]采用不同的植被指数：土壤调节植被指数、归一化植被指数、绿度植被指数和正交植被指数作为输入，建立BP神经网络预测棉花的产量。研究发现，正交植被指数作为输入的棉花产量的预测
神经网络在精准农业中的应用研究进展
