基于neuralnet人工神经网络的农作物预测模型研究

doi:10.14088/j.cnki.issn0439-8114.2022.14.032

湖北农业科学 ›› 2022, Vol. 61 ›› Issue (14): 178-182.doi: 10.14088/j.cnki.issn0439-8114.2022.14.032

基于neuralnet人工神经网络的农作物预测模型研究

匡奕敩^1,2

1.太行山猕猴国家级自然保护区焦作保护中心,河南焦作 454002;
2.中央民族大学生命与环境科学学院,北京 100081

收稿日期:2021-05-17 出版日期:2022-07-25 发布日期:2022-08-25
作者简介:匡奕敩（1977-）,男,江西吉安人,博士,主要从事农林工程、生态、民族地区环境与可持续发展研究工作,（电话）18810892773（电子信箱）kf12.student@sina.com。
基金资助:
生态系统服务能力与农村社区发展能力协同提升技术集成与示范（2017YFC0505606）; 多类型保护地区域生态资源资产评估与补偿方法研究（2017YFC0506402）; 焦作市山水林田湖草生态修复治理工程太行山猕猴自然保护区生物多样性保护项目（焦公管办土地[2019]-043号）

Research on crop prediction model based on neuralnet artificial neural network

KUANG Yi-xiao^1,2

1. Jiaozuo Conservation Center of Taihangshan Mountainous Macaque National Nature Reserve, Jiaozuo 454002,Henan, China;
2. College of Life and Environmental Sciences, Minzu University of China, Beijing 100081, China

Received:2021-05-17 Online:2022-07-25 Published:2022-08-25

摘要/Abstract

摘要： 选用改进后精度更稳定、可视化的neuralnet包人工神经网络模型对粮食产量进行预测。结果显示,在验证样本中粮食产量预测值与实测值的相关系数为0.991 039 8,平均相对误差为0.006 339 629,10次交叉检验方法得到的均值误差平均值为0.001 229 604;表明预测值与实测值误差较小,拟合效果近乎直线,其中相对误差比spss多层感知器、nnet包分别提高了3.9%、1.1%。该结果表明neuralnet神经网络预测模型具有较好的预测性和可行性,可作为新技术权衡农作物的利用分配,促使农产品经济的不断增长和推进农业产业的可持续发展。

关键词: 粮食产量预测, 人工神经网络, 拟合曲线, 验证, 可持续发展

Abstract: The improved neural network model with more stable precision and visualization was used to predict the grain yield. The results showed that the correlation coefficient between the predicted value and the measured value of grain yield was 0.991 039 8, the relative error was 0.006 339 629, and the average error of 10 cross tests was 0.001 229 604. The results showed that the relative error between the predicted value and the measured value was small, and the fitting effect was close to a straight line. The relative error was 3.9% and 1.1% higher than that of spss multi-layer perceptron and nnet packet respectively. The results showed that the neural network prediction model had good prediction and feasibility. It can be used as a new technology to balance the utilization and distribution of crops, and promote the continuous growth of agricultural products economy and the sustainable development of the agricultural industry.

Key words: grain yield prediction, artificial neural network, fitting curve, verification, sustainable development

中图分类号:

匡奕敩. 基于neuralnet人工神经网络的农作物预测模型研究[J]. 湖北农业科学, 2022, 61(14): 178-182.

KUANG Yi-xiao. Research on crop prediction model based on neuralnet artificial neural network[J]. HUBEI AGRICULTURAL SCIENCES, 2022, 61(14): 178-182.

参考文献

[1] 谢东, 陈东城, 焦元启, 等.神经网络在精准农业中的应用研究进展[J].广东农业科学,2011,38(8):145-148.
[2] 周斌. 我国智慧农业的发展现状、问题及战略对策[J]. 农业经济, 2018(1):6-8.
[3] 伍长荣, 胡学钢. 基于RBF神经网络的粮食生产预测研究[J].安徽工程科技学院学报, 2004, 19(4):51-54.
[4] 吴玉鸣, 徐建华. 中国粮食生产的多元回归与神经网络预测比较[J]. 华东师范大学学报(自然科学版),2003(12):74-79.
[5] 褚庆全, 李立军, 张志鹏. 基于神经网络的宏观农业生产预测模型的研究[J]. 中国农业大学学报, 2004(5):1-5.
[6] STASTNY J,KONECNY V,TRENZ O.Agricultural data prediction by means of neural network[J]. Agricultural economics,2011,57(7):356-361.
[7] 金博宇,刘奇峰,姜建中,等.基于BP神经网络的农林产值预测[J].中国乡镇企业会计,2019(7):16-17.
[8] DAHIKAR S S, RODE S V.Agricultural crop yield prediction using artificial neural network approach[J]. International journal of innovative research in electrical, electronics,instrumentation and control engineering, 2014,2(1):683-686.
[9] 刘鹏, 郑勇, 杨红军. 基于改进神经网络的农作物产量预测方法[J]. 电子技术应用, 2019, 45(10):88-91,99.
[10] 魏云云. 基于遗传算法的BP神经网络对农业产业的分析预测[J]. 高师理科学刊, 2018, 38(9):15-19.
[11] 严正红,周俊,毛家敏. 基于GA-BP神经网络的番茄应力松弛参数的估计[J]. 湖南农业大学学报(自然科学版),2018,44(5):565-569.
[12] 郭亚菲,樊超,闫洪涛.基于主成分分析和粒子群优化神经网络的粮食产量预测[J]. 江苏农业科学,2019,47(19):241-245.
[13] WU Y C, FENG J W.Development and application of artificial neural network[J]. Wireless personal communications,2018, 102(2):1645-1656.
[14] 刘闯, 邱秀伟. 人工神经网络在决策支持系统中的应用[J].信息技术与信息化, 2007(6):66-68.
[15] 盖志远,孙西欢,马娟娟,等.深层灌水条件下基于BP人工神经网络方法的冬小麦根系分布预测模型[J].节水灌溉,2019(7):41-44,55.
[16] 李辉东, 关德新, 袁凤辉, 等. BP人工神经网络模拟杨树林冠蒸腾[J].生态学报, 2015, 35(12):4137-4145.
[17] MIRCHANDANI G, CAO W.On hidden nodes for neural nets[J]. IEEE transactions on circuits and systems,1989,36(5):661-664.
[18] 张志鹏,曹庆波,文新亚.应用人工神经网络方法评定作物生产系统中指标的权重[J]. 农业系统科学与综合研究, 2003(1):1-4.
[19] 王华,李雯雯,牛继强,等.基于人工神经网络的模糊宗地地价评估模型研究[J].信阳师范学院学报(自然科学版),2020,33(1):76-82.
[20] 高寒. 神经网络算法在葡萄酒分类中的应用[J]. 现代商业, 2017(30):48-49.
[21] 崔莹莹,舒清态. 人工神经网络在林业中的应用现状与趋势[J]. 西南林业大学学报, 2013, 33(5):98-103.

基于neuralnet人工神经网络的农作物预测模型研究

Research on crop prediction model based on neuralnet artificial neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	韩苗, 王瑾, 赵辰, 刘慧芳, 郭永龙, 毕如田. 基于用地竞争的潜在土地利用冲突权衡分区研究——以山西省晋中市为例[J]. 湖北农业科学, 2022, 61(9): 66-73.
[2]	王萌萌, 杨学斌, 王吉顺, 来剑斌. WOFOST模型在德州市的适用性研究[J]. 湖北农业科学, 2022, 61(5): 160-164.
[3]	曾巧云, 曾行吉, 廖雪萍, 周凤珏, 黄京华. 基于能值分析的桂林市农业生态经济系统可持续发展研究[J]. 湖北农业科学, 2022, 61(4): 187-192.
[4]	彭文治. 生态旅游经济和低碳绿色发展水平的耦合协调发展研究——以C省为例[J]. 湖北农业科学, 2022, 61(3): 180-184.
[5]	袁真真, 李浩昇. 江苏省特色小镇建设的实践阐释及可持续发展路径分析[J]. 湖北农业科学, 2022, 61(2): 136-142.
[6]	陈涛, 张越, 王玉阁, 李志英. 云南省高原山地城市紧凑度演变分析研究[J]. 湖北农业科学, 2022, 61(14): 61-67.
[7]	陈诗雨, 李璐骥, 陈红. 长江流域农业可持续发展能力评价及其空间差异[J]. 湖北农业科学, 2022, 61(11): 186-192.
[8]	程子瑞. 乡村绿色转型的可持续发展研究——以安徽省D村为例[J]. 湖北农业科学, 2022, 61(1): 207-210.
[9]	彭成江, 刘鹏, 曹永直, 郑治洪, 文玉朝, 黎启高, 邱治龙, 陈旭东, 邵先强. 林麻菌精立体生态可持续发展新模式探索[J]. 湖北农业科学, 2021, 60(9): 94-97.
[10]	杜红乐, 张燕. 基于APH-熵权法的影响因素研究——以商洛市旅游特色小镇可持续发展为例[J]. 湖北农业科学, 2021, 60(9): 170-174.
[11]	赵建坤, 杨远通, 李显军, 沈月, 王宗英. 绿色食品对农业绿色发展的贡献研究[J]. 湖北农业科学, 2021, 60(9): 185-189.
[12]	苏明伟, 张伟峰, 杜鹃, 李明洁, 段炼, 梁永康. 2010—2018年陕西省LUCC动态变化分析[J]. 湖北农业科学, 2021, 60(5): 29-34.
[13]	张露, 夏正仪. 长江经济带自然资源可持续利用评价研究——基于改进三维生态足迹模型[J]. 湖北农业科学, 2021, 60(3): 179-189.
[14]	张静雅, 徐双前. 团风县水产养殖业发展对策研究[J]. 湖北农业科学, 2021, 60(24): 220-223.
[15]	刘民坤, 魏乾梅. 中国乡村建设中的旅游研究综述—基于CiteSpace的可视化分析[J]. 湖北农业科学, 2021, 60(17): 5-7.