基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型.pdf

山 东 农 业 科 学():./.收稿日期:基金项目:国家重点研发计划项目()河北省重点研发计划项目()河北省现代农业产业技术体系梨创新团队项目()现代产业梨气象保障工程项目“河北省梨气象服务能力建设”()作者简介:王鹏飞()男硕士研究生研究方向为果树结实生理与分子生物学:.李涛()女本科生研究方向为果树结实生理与分子生物学:.共同第一作者通信作者:马辉()男博士副教授主要从事果树结实生理与分子生物学研究:.许建锋()男博士副教授主要从事果树结实生理与分子生物学研究:.基于多元线性逐步回归和 神经网络建立鸭梨盛花期预测模型王鹏飞李涛于春亮薛敏张玉星张海霞权畅许建锋马辉(.河北农业大学园艺学院河北 保定.威县农业农村局河北 威县.邯郸市气象局河北 邯郸.河北省气象科学研究所河北 石家庄)摘要:本研究基于 年河北省魏县鸭梨盛花期观测资料和气象数据采用线性趋势法揭示其盛花期变化趋势并通过相关性分析筛选出显著影响盛花期的气象因子然后分别用 神经网络、多元线性逐步回归方法建立盛花期预测模型以决定系数、均方根误差、预测准确/误差率为评判指标对模型预测精度进行评价 结果表明 年魏县鸭梨盛花期呈现提前趋势每 年平均提前.天 有 个气象因子与盛花期极显著相关(.)相关系数在.两种预测模型均可在 月上旬对盛花期进行预报基于最早盛花期可提前 天预报基于最晚盛花期可提前 天预报 多元线性逐步回归模型的 为.为.为.为.神经网络的 为.为.为 为 用 和 年的数据对两个模型的预测效果进行验证除多元线性逐步回归模型预测的 年盛花期日序数与实际日序数差 天外两模型对两年盛花期的预测值与实测值一致 综合来看 神经网络模型的预测效果更好准确率更高可用于鸭梨盛花期预测这为制定河北魏县鸭梨花期管理措施及梨花节活动方案奠定了基础关键词:鸭梨盛花期预测模型相关分析多元线性逐步回归 神经网络中图分类号:.文献标识号:文章编号:()(.)./.(.).梨是河北省优质水果之一截至 年底种植面积达 .公顷、产量.万吨、产值.亿元均居全国第 位 其中鸭梨作为河北省邯郸市魏县主栽品种之一栽培面积大历史悠久是当地农业的支柱产业之一近年又通过举办“梨花节”等活动进一步助力当地乡村振兴魏县鸭梨盛花期集中在早春气温变化幅度较大的 月下旬 月上旬期间若发生“倒春寒”不仅会造成当年梨果大量减产也会影响“梨花节”等活动的方案制定和开展 近 多年来全球气候波动明显每年观测到的气象数据和盛花期时间已明确表明气候变暖影响到了梨花期使梨花期提前导致遭遇“倒春寒”的概率进一步增大 因此利用多年连续观测的鸭梨花期资料和气象数据建立模型对鸭梨盛花期进行预测是预防“倒春寒”和制定“梨花节”活动预告的重要前提目前已有学者开展了花期预测模型相关研究大多是基于气象因子与花期的相关关系进行的 如刘璐等使用偏最小二乘回归法分析明确平均气温和平均地温是影响中国北方主产地苹果始花期的最关键主导因子进一步利用逐步回归法建立预测模型误差小于 天柏秦凤等对、活动/有效积温与始花期进行相关性分析筛选出影响富士系苹果花期的气象因子并建立了 个主产区富士系苹果始花期预测模型谭静、冯敏玉等也通过分析气象因子与花期的相关性选出显著影响花期的气象因子通过建立多元回归模型分别对樱花、油菜花的花期进行预测取得了一定成效近年来随着计算机技术的快速发展机器学习算法的使用越来越广泛已成为现代农业气象科研和业务开展的重要工具 例如随机森林、神经网络、等已经较好地应用于苹果、小麦等的花期预测 本研究以通过相关分析筛选出的气象因子作为自变量(输入层)、盛花期日序数作为因变量(输出层)分别利用 神经网络算法、多元线性逐步回归建立魏县鸭梨盛花期预测模型经评价筛选出预测精度较高的模型以期为预防魏县鸭梨花期“倒春寒”和保障“梨花节”等相关活动顺利开展提供技术支持 数据来源与研究方法.研究区概况魏县位于河北省邯郸市地处河北、山东、河 山 东 农 业 科 学 第 卷南三省交界处北纬 、东经卫河、漳河横贯县城 地势由西南向东北缓缓倾斜开阔平缓海拔.日照时数在 之间年平均气温为.年降水量为.鸭梨种植面积 公顷总产量达 万吨.数据来源 年鸭梨逐年盛花期观测资料和气象数据分别由河北省邯郸市魏县林果开发服务中心、河北省梨气象服务中心提供 其中气象数据为魏县 月气温、降水量、积温、日照时数等气象因子逐年数据由河北省气象局在魏县建立的国家气象站(东经.北纬.)收集盛花期为逐年观测记录资料以梨树植株以上花朵展开的日期作为盛花期标准本研究所预测的盛花期并不针对某一个梨园而是根据魏县林果开发服务中心提供的全县鸭梨平均盛花期进行预测的.数据处理与分析将逐年盛花期时间转化为日序数进行统计分析即 月 日为起始日日序数为 以此类推 月 日的日序数为 魏县鸭梨盛花期多集中在 月下旬 月上旬为了展现预测的提前性将选择的各类气象因子指标计算截止时间定为较历年最早盛花期(月 日)早 天的 月 日 选用 月 日 月 日的逐月与逐旬平均气温、平均最高气温、平均最低气温、平均降水量、平均日照时数及活动积温、活动积温、活动积温、活动积温、有效积温、有效积温、有效积温等气象因子通过 相关性分析选出与盛花期相关性较高的气象因子用于预测模型建立 并用、年预测结果与实际盛花期时间进行对比分析以验证模型的预测效果气象因子及盛花期日序数采用 软件进行统计气象因子与盛花期的相关性用 软件、法进行分析.基于多元线性逐步回归的建模方法多元线性回归()主要是研究一个因变量与多个自变量之间的线性回归关系由多个自变量的最佳组合来预测因变量但由于自变量之间可能存在多重共线性因此本研究利用 采用逐步法考察引入模型的自变量是否仍然具有统计学意义以检验其是否有继续保留在方程中的价值并以 值最小且具有统计学意义为依据进行自变量的引入和剔除 引入自变量的显著性概率为.采用方差膨胀系数()诊断自变量之间是否存在多重共线性 表示存在严重的多重共线性对回归方程进行 检验若.则表示建立的回归方程有效.基于 神经网络的建模方法 神经网络由输入层、隐含层、输出层及每层之间的结点连接组成使用梯度搜索技术并利用反向传播不断调整网络的权值和阈值最终实现网络实际值与预测值的误差最小化 在网络设计过程中隐含层神经元个数的确定十分重要若隐含层节点数过多会加大计算量并容易产生训练过度的问题若节点数过少则从样本中获取的信息较少达不到较好的效果 因此本研究根据经验公式 确定隐含层节点数(式中 为输入层节点数 为输出层节点数a为之间的常数)以通过 相关系数筛选出的与鸭梨盛花期相关显著(.)的气象因子作为输入层节点以盛花期作为输出层利用 建立了 层前馈型单隐含层 神经网络用于鸭梨盛花期的预测.模型精度评价以实际鸭梨盛花期观测资料作为最终的预测精度验证数据利用决定系数()、均方根误差()、预测准确率/预测误差率()对预测模型进行精度评价和误差分析()()()()()()()式中 为盛花期年份数量 为实际鸭梨盛花期日序数为预测鸭梨盛花期日序数 为鸭梨盛花期日序数的均值表示预测盛花期时间与实际盛花期时间误差在 天和 天及在 天以 第 期 王鹏飞等:基于多元线性逐步回归和 神经网络建立鸭梨盛花期预测模型上的年份数表示进行预测的总年份数当误差在 天和 天时计算的 表示预测准确率当误差在 天时计算的 表示预测误差率 结果与分析.鸭梨盛花期变化特征 年魏县鸭梨平均盛花期日序数为 与之对应的盛花期出现在 月 日(平年)或 月 日(闰年)盛花期最早出现在 月 日(年)最晚出现在 月 日(、年)最早与最迟盛花期日序数相差 有 年出现在 月下旬占总样本的.有 年出现在 月上旬占总样本的.采用线性倾向估计法对鸭梨盛花期总体变化趋势进行分析结果(图)表明 年间鸭梨盛花期日序数呈减少趋势即盛花期呈提前趋势其线性倾向率为./图 鸭梨盛花期变化趋势.影响鸭梨盛花期的气象因子筛选.平均气温、降水量及日照时数与盛花期的相关性分别对 月上旬逐月与逐旬的平均气温、平均最高气温、平均最低气温、平均降水量、平均日照时数等共计 个因子进行分析结果有 个气象因子与盛花期的相关性通过显著检验(.)包括平均气温的 个、最高气温的 个、最低气温的 个、降水量的 个见表 其中气温因子中鸭梨盛花期与 月、月上旬、月上旬的平均气温和 月上旬的平均最高气温以及 月、月上旬、月上旬的平均最低气温呈极显著(.)负相关关系相关系数在.之间 月平均降水量与盛花期也呈现极显著相关关系相关系数为.逐月及逐旬日照时数与盛花期未通过显著性检验 月上旬的日照时数对魏县鸭梨开花早晚无显著影响选择通过极显著(.().自变量通过了 检验即模型回归显著不存在多重共线性.()式中 是盛花期日序数是 月上旬活动积温是 月上旬平均气温是 月平均降水量 表 积温因子与盛花期相关系数序号变量符号气象因子相关系数活动积温.活动积温.活动积温.活动积温.有效积温.有效积温.有效积温.表 自变量之间多重共线性诊断结果模型特征值条件指数方差比例常量.表 模型系数检验结果模型非标准化系数标准错误标准化系数 值 值共线性统计容差方差膨胀因子常量.表 模型方差分析检验结果变异来源平方和自由度均方显著性回归.残差.总计.模型回代检验利用建立的多元线性逐步回归模型对 年盛花期数据进行拟合结果(表)显示实际盛花期与预测盛花期完全一致年份为、年占.拟合误差在、天的有 年占.拟合误差为 的仅有 年占.表 鸭梨盛花期与气象因子模型回代检验年份实际值预测值拟合误差()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()()注:括号内为日期(月日)括号外数值为盛花期日序数.基于 神经网络建立鸭梨盛花期预测模型首先将筛选出的极显著影响盛花期的 个气象因子进行归一化处理作为输入层输出层为盛花期日序数然后对气象因子数据集进行网络训练 采用公式 确定隐含层节点数此处 a为之间的常数确定隐含层节点数选取区间为 通过 次试验结果(表)可见当隐含层个数为 时训练误差最小为.训练结果最佳神经元传递函数采用非线性的激活函数 其收敛速度快可以有效减少迭代次数 训练算法采用 函数训练次数 次学习速率设为.训练目标最小误差设为.输出层神经元传递函数采用 函数选择 年数据为训练集进行训练 年数据进行测试 通过计算盛花期预测值与实测值的相关系数训练集样本两者间的相关系数都在.之间因此根据测试集相关系数高低来选择模型最终选出训练集.、测试集.的模型为最佳模型训练集、测试集预测误差均在 天以内(图 第 期 王鹏飞等:基于多元线性逐步回归和 神经网络建立鸭梨盛花期预测模型)未出现误差为 天的年份预测精度较高较好地模拟出 年实际盛花期与预测盛花期的波动变化 表 不同隐含层节点数的训练误差节点数训练误差.图 训练样本实测值与预测值图 测试样本实测值与预测值图 训练集样本误差.两种模型预测精度的比较评价通过 计 算 决 定 系 数()、均 方 根 误 差()、预测准确率()、预测误差率()比较两种鸭梨盛花期预测模型精度越高 越小越高预测效果越好 由表 可知 神经网络模型的 为.明显高于多元线性逐步回归模型的 值(.)说明 神经网络模型对盛花期波动趋势拟合度更高进一步分析两种模型的、表明基于多元线性逐步回归的 为.为.为.神经网络 为.为为 对比发现基于 神经网络建立的预测模型对鸭梨盛花期的预测精度较高图 测试集样本误差 表 两种建立模型预测精度检验模型()()模型.模型.两种建立模型对、盛花期的预测效果利用、年的数据对建立的多元线性逐步回归、神经网络模型的预测效果进行验证结果(表)显示多元线性逐步回归模型预测的 年盛花期在第 天与实际盛花期(年 月 日)日序数误差为 天 年盛花期在第 天与实际盛花期(年 月 日)相符 神经网络模型预测的 年盛花期在第 天 年盛花期在第 天均与实际盛花期观测值相符 总体来看两种模型都能很好地预测出、年的盛花期时间且误差较小尤 山 东 农 业 科 学 第 卷以 神经网络模型的预测准确度更高 表 两种建立模型预测效果的验证结果年份盛花期时间实际日序数 模型 模型 月 日 月 日 讨论筛选显著影响花期的气象因子是建立预测模型的基础及提升预测精度的有效方法 前人研究认为植物花期与其前期气象因素显著相关其中温度是影响花期的重要因素 因此本研究通过分析鸭梨盛花期与前期的平均气温、平均最高气温、平均最低气温、活动/有效积温、平均降水量、平均日照时数等气象因子的相关性筛选出 个与鸭梨盛花期极显著相关的气象因子作为预报因子用于预测模型构建 这 个因子中 月上旬的平均气温、平均最高气温、平均最低气温、月平均降水量与鸭梨盛花期负相关的程度最高可能与当地的气候条件及地理位置有关 月上旬的活动积温与盛花期相关关系最为紧密这与郭连云、郭睿等的结论相符即完成某一发育期需要一定数量的积温建模方法是影响鸭梨盛花期预测精度的一个重要因素 在多元线性回归分析中由于入选的自变量之间容易存在共线性需要采用“逐步法”剔除冗余信息以确保自变量之间不存在高度相关性该算法不仅可以简化计算过程更能显著提升花期预测模型精度和可靠性但随着样本数量和自变量的增多入选的影响花期早晚的因素可能较少从而导致预测精度不高 神经网络作为一种按照误差逆向传播算法训练的多次前馈网络不仅可以储存和学习大量的数据输入和输出而且不需对变量的映射关系进行表述具有处理非线性能力应用反向传播途径不断调整网络的阈值与权值直到满足误差最小精度条件输出最优结果 传统的回归模型需要人为选择被预测变量与预测变量之间的模型形式尤其在数据量较大的情况下更难选择一个合适且具有代表性的预测模型所以在实际应用过程中往往选择简单的多元线性回归模型但预测精度降低而 神经网络只要建模数据有足够的代表性利用网络自身的学习能力和速算能力可以得到一个预测效果比较好的模型 本试验对魏县鸭梨盛花期的预测结果表明 神经网络预测模型要优于多元线性逐步回归模型本研究所建立的模型仅适用于魏县整个区域的鸭梨盛花期预测而每个梨园的管理水平、地势、地温、树势等条件存在差异也会影响盛花期后期有必要针对单个梨园开展更精准的花期预测 结论魏县地区 年的 年间鸭梨盛花期总体呈现提前趋势每 年平均提前.天 月平均气温、月上旬平均气温、月上旬平均气温、月上旬平均最高气温、月平均最低气温、月上旬平均最低气温、月上旬平均最低气温、月平均降水量及 月上旬的、活动积温和、有效积温与鸭梨盛花期极显著负相关相关系数在.逐步多元线性回归、神经网络两种预测模型均可在 月上旬提前预测盛花期基于最早盛花期可以提前 天预报基于最晚盛花期可以提前 天预报 其中 神经网络模型的预测精度更高参 考 文 献:牛桂草 周绩宏 马红燕 等.基于 模型的河北鸭梨价格预测及预警.山东农业科学 ():.张倩.影响库尔勒香梨开花与果实生长的气象条件分析.乌鲁木齐:新疆师范大学.屈振江 刘瑞芳 郭兆夏 等.陕西省苹果花期冻害风险评估及预测技术研究.自然灾害学报 ():.王润红.陕西富士系苹果花期冻害和水分适宜度研究.杨凌:西北农林科技大学.李德 陈文涛 乐章燕 等.基于随机森林算法和气象因子的砀山酥梨始花期预报.农业工程学报 ():.刘璐 王景红 傅玮东 等.中国北方主产地苹果始花期与气候要素的关系.中国农业气象 ():.柏秦凤 霍治国 王景红 等.中国富士系苹果主产区花期模拟与分布.中国农业气象 ():.谭静 陈正洪 肖玫.武汉大学樱花花期长度特征及预报方法.生态学报 ():.第 期 王鹏飞等:基于多元线性逐步回归和 神经网络建立鸭梨盛花期预测模型 冯敏玉 孔萍 胡萍 等.基于花前物候利用灰色关联分析法建立油菜花期预报模型.中国农业气象 ():.李颖 陈怀亮.机器学习技术在现代农业气象中的应用.应用气象学报 ():.杨丽丽 田伟泽 徐媛媛 等.谷物联合收割机油耗随机森林预测模型.农业工程学报 ():.王怡宁 张晓萌 路璐 等.通径分析结合 神经网络方法估算夏玉米作物系数及蒸散量.农业工程学报():.刘双印 黄建德 徐龙琴 等.基于 的狮头鹅养殖禽舍气温组合预测模型.农业工程学报():.张兴伟 陈超 田姗 等.基于机器学习的苹果始花期预测.中国农业科技导报 ():.徐敏 赵艳霞 张顾 等.基于机器学习算法的冬小麦始花期预报方法.农业工程学报 ():.曹玉芬 刘凤之 胡红菊.梨种质资源描述规范和数据标准.北京:中国农业出版社.石云.神经网络的 实现.湘南学院学报():.刘秀英 余俊茹 王世华.光谱特征变量和 神经网络构建油用牡丹种子含水率估算模型.农业工程学报():.柏秦凤 王景红 屈振江 等.陕西苹果花期预测模型研究.中国农学通报 ():.刘璐 王景红 柏秦凤 等.气候变化对黄土高原苹果主产地物候期的影响.果树学报 ():.张艳艳 赵玮 高庆先 等.气候变化背景下陇东塬区红富士苹果始花期研究.果树学报 ():.李晓川 陶辉 张仕明 等.气候变化对库尔勒香梨始花期的影响及其预测模型.中国农业气象 ():.郭睿.杨凌地区桃树花期预测模型研究.杨凌:西北农林科技大学.张爱英 张建华 高迎新 等.物候模型在北京樱花始花期预测中的应用.气象科技 ():.李美荣 杜继稳 李星敏 等.陕西果区苹果始花期预测模型.中国农业气象 ():.郭连云 赵年武.贵德县梨树始花期与气象因子的相关分析及预报模型.中国农学通报 ():.于雷 洪永胜 周勇 等.高光谱估算土壤有机质含量的波长变量筛选方法.农业工程学报 ():.张景阳 潘光友.多元线性回归与 神经网络预测模型对比与运用研究.昆明理工大学学报(自然科学版)():.山 东 农 业 科 学 第 卷