基于神经网络的土壤养分与果实品质关系预测方法

技术领域

本发明属于农业数据分析技术领域，具体涉及一种基于神经网络的土壤养分与果实品质关系预测方法。

背景技术

我国肥料市场上的化肥品牌和配方繁多，农民们只能凭经验选择肥料施用，导致所施用的肥料并不能满足桃子生长发育的需要，研发合适的桃配方专用肥是提高果品质量一个项重要措施。目前市售的桃专用化肥也无法满足特定地区的桃树生长发育需求，不同地区土壤的矿质元素养分比例不同，对专用配方肥的养分需求也不同，如何能够快速地选择出适合当地实情、显著提高桃树果实品质的专用肥势在必行。

目前，已有一些研究使用神经网络对土壤进行分析或评价，人工神经网路(图1)是一种模拟人脑神经网络行为特征的分布式并行信息处理的数学模型，该结构由多个相互广泛连接的简单神经元组成，通过调整大量节点间的互联关系，达到信息处理的目的。

但是这些通过神经网络预测土壤性质的现有技术存在以下问题：

1、直接采集土地图像然后建立模型进行土壤肥力分析，该方法虽然不需要破坏农田和作物，但是由于只是通过图像来提取土壤的部分特征，最终结果不够精确，无法切实分析预测到土壤矿质元素；

2、现有的预测模型只能简单给出土壤的肥力数据,而无法进一步明确土壤肥力与果实品质之间的特征以及预测结果，也就无法进一步根据实际情况来调整施肥配方等。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于神经网络的土壤养分与果实品质关系预测方法，对大量的果园土壤矿质养分含量与果实品质的进行实验调查，通过人工神经网络进行土壤养分与果实品质的之间的预测模型构建。

技术方案：本发明的一种基于神经网络的土壤养分与果实品质关系预测方法，包括以下步骤：

S1、数据处理

将采集的各土壤矿质元素值以及对应果实品质指标分别做相应预处理，然后对两组数据分别分组为训练样本、测试样本和检验样本；并获得对应特征值；

其中，所述土壤矿质元素包括N、P、K、Ca、Mg、Fe、Mn、Cu、Zn和B；所述果实品质参数包括单果重、可溶性固形物含量、可滴定酸含量、固酸比和可食率；

S2、构建基于BP神经网络的预测模型，将训练样本作为BP神经网络的输入，训练网络参数；

所述BP神经网络包括输入层、隐藏层和输出层；所述土壤中各矿质元素值为输入层自变量，即输入层节点数为10，所述各果实品质指标值为输出层因变量，即输出层节点数为5；隐藏层中使用Levenberg-Marquardt训练函数和Log-sigmoid传递函数；构建过程中使用检验样本检验预测模型；

Log-sigmoid传递函数的表达式为：

S3、利用构造好的预测模型对测试样本进行分类预测；

S4、基于所得预测模型逐一剔除自变量来分析评估预测模型的稳定性；所述自变量是指土壤中各矿质元素含量；

S5、通过敏感性分析和响应面法分析得到对果实不同品质指标影响最大土壤矿质元素值范围。

此处所述敏感性分析是指基于所得预测模型逐一剔除输入变量进行计算，即是指逐一去除N、P、K、Ca、Mg、Fe、Mn、Cu、Zn和B来分别计算不同果实品质的对应指标(单果重、可溶性固形物含量、可滴定酸含量、固酸比和可食率)。而响应曲面分析是基于敏感性分析得到贡献度最大的几个元素与果实品质指标构建3D曲面图进行分析的。

上述步骤S2中在网络参数设置时，首先训练样本、测试样本和检测样本数据量分别为70％，15％和15％土壤矿质元素含量数据样本和果实品质指标值样本放在一起进行模拟训练，并以矿质元素含量作为input data，果实品质数据作为target data.。

另外用Matlab软件在模型构建时，不断调整隐藏层的数目，以及选择不同的训练函数和传递函数来进行模型模拟，来获得最佳的模型。另外，在使用Matlab构建预测模型时，可不断调整隐藏层的数目。

进一步地，所述预测模型中输入层和输出层的数据均做标准化处理如下：

上式中，T为原始数据，Tn为归一化后的输出值或输入值，T

进一步地：所述步骤S1的各土壤矿质元素中，随机选取70％作为训练样本，随机选取15％作为测试样本，随机选取15％作为检验样本。

进一步地，所述步骤S4中通过下述指标来分析评估预测模型稳定性：平均绝对误差MAE、均方根误差RMSE、相对标准误差RSE、拟合系数R

n是数据的个数，-是变量的平均值，Mi和Pi分别代表各果实品质指标测量值和对应果实品质指标预测值。

有益效果：本发明通过BP神经网络、Levenberg-Marquardt BP训练函数和Log-sigmoid传递函数构建预测模型，进而预测土壤矿质元素含量与果实品质指标之间的关系；然后对预测模型的敏感性进行检测，筛选对该预测模型贡献最大的土壤矿质元素含量，然后通过3D响应曲面分析对这些影响最大的矿质元素的适宜范围进行探究，以获得最佳的果实品质，得出桃树吸收矿质元素的规律，最后根据桃树养分吸收规律制定桃配方专用肥，使矿质元素养分比例达到平衡，既能满足桃树体生长发育的需要，又能提高果实产量和品质。

附图说明

图1为本发明的整体网络结构图；

图2为实施例中预测单果重的示意图；

图3为实施例中预测可溶性固形物含量示意图；

图4为实施例中预测可滴定酸含量示意图；

图5为实施例中预测固酸比含量示意图；

图6为实施例中预测果实可食率示意图；

图7为实施例中敏感性分析示意图；

图8为实施例中单果重和土壤矿质元素含量间的响应曲面分析图；

图9为实施例中可溶性固形物含量和土壤矿质元素含量间的响应曲面分析图；

图10为实施例中可滴定酸含量和土壤矿质元素含量间的响应曲面分析图；

图11为实施例中固酸比和土壤矿质元素含量间的响应曲面分析图；

图12为实施例中可食率与土壤矿质元素含量间的响应曲面分析图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

本发明的一种基于神经网络的土壤养分与果实品质关系预测方法，包括以下步骤：

S1、数据处理

将采集的各土壤矿质元素值以及对应果实品质指标分别做相应预处理，然后对两组数据分别分组为训练样本、测试样本和检验样本；

其中，所述土壤矿质元素包括N、P、K、Ca、Mg、Fe、Mn、Cu、Zn和B；所述果实品质参数包括单果重、可溶性固形物含量、可滴定酸含量、固酸比和可食率；

S2、如图1所示，构建基于BP神经网络的预测模型，将训练样本作为BP神经网络的输入，训练网络参数；

所述BP神经网络包括输入层、隐藏层和输出层；所述土壤中各矿质元素值为输入层自变量，即输入层节点数为10，所述各果实品质指标值为输出层因变量，即输出层节点数为5；隐藏层中使用Levenberg-Marquardt训练函数和Log-sigmoid传递函数；并利用检验样本检验模型；

S3、利用构造好的预测模型对测试样本进行分类预测；

S4、基于所得预测模型，逐一剔除自变量来分析评估预测模型的稳定性；所述自变量是指土壤中各矿质元素含量；

S5、通过敏感性分析和响应面法分析得到对果实不同品质指标影响最大土壤矿质元素值范围。

本实施例中的Levenberg-Marquardt训练函数和Log-sigmoid传递函数能够使预测模型获得最佳性能。Levenberg-Marquardt BP训练函数具有二阶收敛速度和较少的迭代次数，大大提高算法的收敛速度和稳定性。Log-sigmoid传递函数对输入变量没有限制，输入变量可以是正负无穷大之间的任意值，输出标准化为(0-1)范围。它通常用于用反向传播算法训练的多层网络中，主要是因为该函数易于区分且具有可微性。它具有优良的数学性质，许多数值优化算法可以直接用于求解最优解。

本实施例中，预测模型中的训练函数和传递函数也可以采用其他函数，比如BFG训练函数、CGB训练函数、CGP训练函数、SCG训练函数、Linea传递函数r、Tangent-sigmoid传递函数等，但是采用这几种训练函数和传递函数构建的预测模型，其预测精度以及最终检测评估值均不如本发明的预测模型。如表1所示，以预测果实单果重为例，对比结果如下：

表1本发明模型与其他模型预测果实单果重指标效果对比

在预测果实其他品质指标时，预测模型也可以采用其他传递函数和训练函数，但最终预测结果和上述实施例一样，其预测精度和评估测试精度均不如本发明的预测模型。

本实施例中预测模型的输入层和输出层的数据均做标准化处理如下：

上式中，T为原始数据，Tn为归一化后的输出值或输入值，T

步骤S4中通过下述指标来分析评估预测模型稳定性：平均绝对误差MAE、均方根误差RMSE、相对标准误差RSE、拟合系数R

实施例1

第一阶段：

先对江苏75个不同地区的桃果园的土壤和对应桃子果实采集和分析，如表2和表3。

表2桃园果实品质指标分析

表3桃园土壤矿质元素含量分析

第二阶段：

构建预测模型，该预测模型基于BP神经网络，包括Log-sigmoid传递函数和Levenberg-Marquardt训练函数。

然后利用本上述预测模型通过土壤中矿质元素含量去预测桃子果实的单果重、可溶性固形物含量、可滴定酸含量、固酸比、可食率。

接着与第一阶段的实际采集分析数据(表2和表3)来对比评价分析。

(一)预测果实单果重

本实施例预测精度R

(二)预测果实可溶性固形物含量

本实施例的预测精度R

此处进一步比较可溶性固形物含量的预测值和测定值(图3)，结果表明，在训练阶段，它们的分布模式非常接近(图3a)，同时它们具有相似的箱型图结构(图3b)。同时，所有可溶性固形物含量的预测值和测定值呈现出类似的折线图结果(图3c)，表明本发明的预测模型可精确预测果实可溶性固形物含量。

(三)预测果实可滴定酸含量

本实施例的预测精度R

此处进一步比较可滴定酸含量的预测值和测定值(图4)，结果表明，在训练阶段，它们的分布模式非常接近(图4a)，同时它们具有相似的箱型图结构(图4b)。同时，所有可滴定酸含量的预测值和测定值呈现出类似的折线图结果(图4c)，本发明的基于模型可以精确预测果实可滴定酸含量。

(四)预测果实的固酸比

本实施例的预测精度R

此处进一步比较固酸比指标的预测值和测定值(图5)，结果表明，在训练阶段，它们的分布模式非常接近(图5a)，同时它们具有几乎相同的箱型图结构(图5b)。同时，所有固酸比指标的预测值和测定值呈现出类似的折线图结果(图5c)，表明本发明的预测模型可以精确预测果实固酸比。

(五)预测果实可食率

本实施例的预测精度R

此处接着比较果实可食率的预测值和测定值(图6)，结果表明，在训练阶段，它们的分布模式非常接近(图6a)，同时它们具有几乎相同的箱型图结构(图6b)。同时，所有果实可食率的预测值和测定值呈现出类似的折线图结果(图6c)，表明本发明的预测模型可以精确预测果实可食率。

以上结果表明，本发明的土壤养分与果实品质关系预测模型能准确地预测果实品质指标。

实施例2

本实施例进一步验证该桃园土壤中哪些矿质元素含量对果实品质指标的影响最大。

本实施例通过逐一剔除输入变量(即土壤中对应矿质元素含量)，进行检测来分析模型的稳定性。

(1)在本实施例的矿质元素含量与单果重预测模型中，不含Cu含量的预测模型的RMSE值最低，不含B含量的预测模型的RMSE值最高。在敏感性分析中，RMSE值大小表示输入变量对输出变量的相对贡献。RMSE值越高，表示被剔除的输入变量的重要性就越高。因此，桃园土壤中矿质元素含量对单果重的影响从大到小依次为B>Ca>N>K>P>Fe>Mn>Mg>Zn>Cu。

(2)在本实施例的矿质元素含量与桃果实可溶性固形物含量预测模型中，不含Zn含量的预测模型的RMSE值最低，不含Fe含量的预测模型的RMSE值最高。桃园土壤中矿质元素含量对可溶性固形物含量的影响从大到小依次为Fe>K>B>Ca>Mn>P>N>Mg>Cu>Zn。

(3)在本实施例的矿质元素含量与桃果实可滴定酸含量预测模型中，不含Cu量的预测模型的RMSE值最低，不含Ca含量的预测模型的RMSE值最高。桃园土壤中矿质元素含量对可滴定酸含量的影响从大到小依次为Ca>N>B>K>P>Fe>Mg>Zn>Mn>Cu。

(4)在本实施例的矿质元素含量与桃果实固酸比预测模型中，不含K含量的预测模型的RMSE值最低，不含B含量的预测模型的RMSE值最高。桃园土壤中矿质元素含量对固酸比的影响从大到小依次为B>N>Fe>Ca>P>Mg>Mn>Zn>Cu>K。

(5)在本实施例的矿质元素含量与桃果实可食率预测模型中，不含Zn含量的预测模型的RMSE值最低，不含Ca含量的预测模型的RMSE值最高。桃园土壤中矿质元素含量对可食率的影响从大到小依次为Ca>Fe>N>Mn>P>K>Mg>B>Cu>Zn。总之，桃园土壤中的N、P、K、Ca、Fe和B含量对果实品质的影响最大。

如图7所示，通过以上实施例的敏感性分析结果可知，土壤中的B、Ca、N、K、P、Fe含量对果实单果重的影响最大。

为了进一步探索这些元素的合适范围，我们进行响应面法分析(图8)。

土壤中的B、Ca含量与单果重的响应曲面分析如图8a所示，当土壤中B含量为0.2-0.96mg/kg，Ca含量为204.0-296.0mg/kg时可以得到较高的单果重，当土壤中B含量为0.8-1.2mg/kg，Ca含量为130.0-156.0mg/kg时也可以得到较高的单果重。

土壤中的N、K含量与单果重的响应曲面分析如图8b所示，当土壤中N含量为116.0-182.0mg/kg，K含量为450.0-600.0mg/kg时可以得到较高的单果重，当土壤中N含量为204.0-276.0mg/kg，K含量为490.0-585.0mg/kg时也可以得到较高的单果重，但是当土壤中K含量大于910.0mg/kg，果实单果重指标显著下降。

土壤中的P、Fe含量与单果重的响应曲面分析如图8c所示，当土壤中P含量为28.0-98.0mg/kg，Fe含量为16.0-44.0mg/kg时可以得到较高的单果重，当土壤中P含量为40.0-137.0mg/kg，Fe含量为112.0-140.0mg/kg时也可以得到较高的单果重。

通过以上模型的敏感性分析结果可知，土壤中的Fe、K、B、Ca含量对果实可溶性固形物含量的影响最大。

实施例3：

为进一步得到对果实其他不同品质指标影响最大土壤矿质元素的含量范围，本实施例采用响应面法分析(图9至图12)。

土壤中的Fe、K含量与可溶性固形物含量的响应曲面分析如图9a所示，当土壤中Fe含量为196.0-272.0mg/kg，K含量为218.0-391.0mg/kg时可以得到较高的可溶性固形物含量，当土壤中Fe含量为60.0-140.0mg/kg，K含量为400.0-836.0mg/kg时也可以得到较高的可溶性固形物含量。但是当土壤中Fe含量低于50.0mg/kg，可溶性固形物含量显著下降。

土壤中的B、Ca含量与可溶性固形物含量的响应曲面分析如图9b所示，当土壤中B含量为0.58-0.90mg/kg，Ca含量为140.0-174.0mg/kg时可以得到较高的可溶性固形物含量，但是当土壤中Ca含量大于266.0mg/kg，可溶性固形物含量显著下降。

土壤中的Ca、N含量与可滴定酸含量的响应曲面分析如图10a所示，当土壤中Ca含量为168.0-306.0mg/kg，N含量为62.0-108.0mg/kg时可以得到较低的可滴定酸含量，当土壤中Ca含量为168.0-198.0mg/kg，N含量为71.0-176.0mg/kg时也可以得到较低的可滴定酸含量。

土壤中的B、K含量与可滴定酸含量的响应曲面分析如图10b所示，当土壤中B含量为0.16-0.62mg/kg，K含量为80.0-160.0mg/kg时可以得到较低的可滴定酸含量，当土壤中B含量为0.78-1.06mg/kg，K含量为240.0-360.0mg/kg时也可以得到较低的可滴定酸含量，当土壤中B含量为0.80-1.10mg/kg，K含量为720.0-1000.0mg/kg时也可以得到较低的可滴定酸含量。

土壤中的P、Fe含量与可滴定酸含量的响应曲面分析如图10c所示，当土壤中P含量为11.0-32.0mg/kg，Fe含量为48.0-252.0mg/kg时可以得到较低的可滴定酸含量，当土壤中P含量为92.0-167.0mg/kg，Fe含量为200.0-258.0mg/kg时也可以得到较低的可滴定酸含量，但是当土壤中Fe含量低于48mg/kg时，桃果实可滴定酸含量显著增加。

土壤中的B、N含量与固酸比的响应曲面分析如图11a所示，当土壤中B含量为0.145-0.40mg/kg，N含量为17.0-115.0mg/kg时可以得到较高的固酸比，当土壤中B含量为0.63-1.03mg/kg，N含量为162.0-194.0mg/kg时也可以得到较高的固酸比。

土壤中的Fe、Ca含量与固酸比的响应曲面分析如图11b所示，当土壤中Fe含量为100.0-155.0mg/kg，Ca含量为180.0-235.0mg/kg时可以得到较高的固酸比。

土壤中的Ca、Fe含量与可食率的响应曲面分析如图12a所示，当土壤中Ca含量为174.0-234.0mg/kg，Fe含量为220.0-270.0mg/kg时可以得到较高的可食率，当土壤中Ca含量为170.0-240.0mg/kg，Fe含量为130.0-170.0mg/kg时也可以得到较高的可食率。

土壤中的N、Mn含量与单果重的响应曲面分析如图12b所示，当土壤中N含量为140.0-210.0mg/kg，Mn含量为105.0-152.0mg/kg时可以得到较高的可食率，当土壤中N含量为220.0-250.0mg/kg，Mn含量为37.0-72.0mg/kg时也可以得到较高的可食率。

土壤中的P、K含量与单果重的响应曲面分析如图12c所示，当土壤中P含量为44.0-140.0mg/kg，K含量为440.0-650.0mg/kg时可以得到较高的可食率。综上所述，当土壤中N为71-108mg/kg，P为92.0-137.0mg/kg，K为490.0-585.0mg/kg，Ca为170.0-198.0mg/kg，Fe含量为125-140mg/kg，Mn含量为37-72mg/kg，B含量为0.80-1.02mg/kg，桃果实品质指标可以显著提升。

综上所述，适合实施例1中桃园的桃配方专用肥各养分比例为：包括氮70-100份，磷90-140份，钾500-600份，钙170-200份，铁10-15份，锰4-7份，硼1-1.5份。其中，所述的氮来源于尿素，磷来源于磷酸氢二钾，钾来源于硫酸钾，钙来源于硫酸钙，铁来源于硫酸亚铁，锰来源于硫酸锰，硼来源于硼砂。按照营养元素配比取原料，投入粉碎机粉碎后，过60目筛，投入圆盘造粒机中，混合造粒，造粒完成后经烘干机烘干、冷却过回转筛，得到桃配方专用肥(颗粒1-2mm)。

实施例4：

根据以上配方本实施例配制备桃配方专用肥，并试验江苏省常州市某一桃园，试验品种为湖景蜜露，试验树每亩施用桃配方专用肥100千克，以普通施肥方法为对照每亩施用复合肥(氮磷钾各十五个含量的三元复合肥)100千克，试验结果表明施用桃配方专用肥的地块，桃品质指标等都较普通施肥方式有明显提高。如表4所示，单果重提高7.96％以上，可溶性固形物含量提高3.99％，固酸比提高33.70％，可食率提高0.56％，而影响果实品质的可滴定酸含量明显降低8％，果实的综合品质明显提高，说明桃配方专用肥具有较明显的提高品质的效果。

表4桃专用化肥使用效果比较试验